1. LoRA 思路

• 原始权重 $W_q$ 冻结；

• 新增低秩矩阵 $A\in \mathbb{R}^{r\times d}, B\in \mathbb{R}^{d\times r}$，形成：

  $$W_q' = W_q + BA$$

• 若 $r=0$，直接用原始 $W_q$。

2. Attention 计算步骤

1. 计算

   $$Q = XW_q'^\top,\quad K = XW_k^\top,\quad V = XW_v^\top $$

2. 打分并缩放

   $$S = \frac{QK^\top}{\sqrt{d}}$$

3. 对每一行做 稳定 softmax。

4. 输出

   $$O = \text{softmax}(S)V$$

题目样例输入输出描述不清，使用矩阵转置才能通过

3. 实现要点

• float64 精度，避免溢出；
• softmax 时对每行减去最大值；
• 输出拉平，保留四位小数，-0.0000 特判为 0.0000。

代码实现

import sys
import numpy as np

def softmax(x):
    """
    计算softmax函数
    """
    x = x.astype(np.float64)
    max_vals = np.max(x, axis=1, keepdims=True)
    exp_vals = np.exp(x - max_vals)
    return exp_vals / np.sum(exp_vals, axis=1, keepdims=True)

def LoRA_Attention(x, wq, wk, wv, A, B):
    """
    实现带有LoRA适配器的线性注意力机制
    """
    d = x.shape[1]
    
    # 应用LoRA适配器（如果提供）
    if A is not None and B is not None and A.size > 0 and B.size > 0:
        effective_wq = wq + B @ A
    else:
        effective_wq = wq
    
    # 计算查询、键和值
    Q = x @ effective_wq.T
    K = x @ wk.T
    V = x @ wv.T
    
    # 计算注意力分数
    scale_factor = 1.0 / np.sqrt(d)
    attention_scores = (Q @ K.T) * scale_factor
    
    # 应用softmax得到注意力权重
    attention_weights = softmax(attention_scores)
    
    # 计算输出
    output = attention_weights @ V
    return output

def format_output(values):
    """
    格式化输出，确保-0.0000显示为0.0000
    """
    formatted_values = []
    for value in values:
        formatted = f"{value:.4f}"
        if formatted == "-0.0000":
            formatted = "0.0000"
        formatted_values.append(formatted)
    return formatted_values

def main():
    # 读取输入数据
    data = list(map(float, sys.stdin.read().strip().split()))
    it = iter(data)
    
    # 读取维度参数
    b = int(next(it))
    d = int(next(it))
    r = int(next(it))
    
    # 读取输入矩阵
    x = np.array([next(it) for _ in range(b * d)]).reshape(b, d)
    
    # 读取权重矩阵
    wq = np.array([next(it) for _ in range(d * d)]).reshape(d, d)
    wk = np.array([next(it) for _ in range(d * d)]).reshape(d, d)
    wv = np.array([next(it) for _ in range(d * d)]).reshape(d, d)
    
    # 读取LoRA适配器参数（如果存在）
    if r > 0:
        A = np.array([next(it) for _ in range(r * d)]).reshape(r, d)
        B = np.array([next(it) for _ in range(d * r)]).reshape(d, r)
    else:
        A = None
        B = None
    
    # 计算输出
    output = LoRA_Attention(x, wq, wk, wv, A, B)
    
    # 格式化和打印结果
    flat_output = output.reshape(-1)
    formatted_output = format_output(flat_output)
    print(" ".join(formatted_output))

if __name__ == "__main__":
    main()

题目内容

相对于全量微调，$LoRA$微调提出了一种低秩分解的方法，只需在原模型参数基础上增加少量的可训练参数，大幅降低计算成本和内存占用。具体而言，对于原始的预训练权重矩阵$W$，$LORA$做以下改进：

$W'=W+B×A$

$W$为原始权重(冻结不变)，$B∈R^{d×r}$和 $A ∈R^{r×d}$为新增的低秩矩阵，$r<<d$，秩$r$一般很小。微调时只更新 $A、B$这两个矩阵，显著减少训练的参数数量。请实现支持$LoRA$的$Attention$计算

函数$LoRA\_Attention(x,W_a,W_k,W_v,A,B)$ 。为简化实现，仅需支持$Attention$中$Q$的$LoRA$结构实现即可。实现时请使用$float64$位精度。

输入描述

第$1$行： $b,d,r$，其中$b为batch\ size$,$d$为特征的长度，$r$为$LoRA$矩阵的秩，$b≥1,d≥1,r≥0$

第$2$行：输入$x$，长度为$b×d$

第$3-5$行: $W_q,W_k,W_v$,长度为$d×d$

若$r>0$，则:

第$6$行：$A$，长度为$r×d$

第$7$行：$B$，长度为$d×r$

输出描述

$LoRA Attention$计算的结果，输出保留四位小数，不足四位小数的补$0$

样例1

输入

2 5 3
-0.58 -0.52 -0.02 0.56 0.79 0.06 -0.64 -0.04 -0.20 -0.38
0.24 -0.72 -0.66 0.96 0.02 -0.43 -0.24 0.19 -0.85 -0.35 0.69 -0.09 0.99 0.21 -0.06 0.55 0.57 0.97 0.58 -0.16 0.64 0.02 -0.71 0.53 -0.90
0.07 -0.16 -0.47 -0.32 -0.92 0.13 -0.74 -0.87 0.05 0.33 0.37 0.75 0.57 0.14 -0.62 0.67 -0.62 -0.85 0.09 -0.90 0.22 0.97 -0.68 0.61 0.48
0.39 -0.74 0.84 0.21 0.44 -0.59 -0.07 -0.84 -0.70 0.86 -0.12 -0.06 0.45 -0.43 -0.09 -0.73 0.56 -0.62 0.36 -0.87 -0.97 -0.48 0.71 0.07 -0.28
0.25 0.58 -0.04 -0.94 0.45 -0.60 0.89 0.94 0.35 -0.76 -0.47 -0.40 0.10 0.23 0.25
-0.18 -0.11 0.60 0.37 0.75 0.51 -0.76 -0.39 -0.81 -0.88 -0.43 -0.88 0.15 -0.46 -0.24

输出

0.3499 0.0803 0.0376 -0.1791 0.3952 0.4112 0.2240 -0.0239 -0.2177 0.4478

样例2

输入

1 3 2
0.58 -0.65 -0.63
-0.74 -0.71 0.65 0.70 -0.14 0.01 -0.84 0.20 0.25
-0.60 0.51 -0.12 -0.35 0.57 -0.38 -0.44 -0.82 0.53
0.14 0.03 -0.27 0.10 -0.12 0.85 -0.55 0.10 -0.43
0.65 0.32 -0.42 -0.62 -0.88 -0.70
-0.66 0.49 0.09 -0.21 0.48 0.41

输出

0.2318 -0.3995 -0.1131