多头自注意力（Multi-Head Self-Attention）是 Transformer 和 ViT 的核心运算，实现时需处理 Query、Key、Value 线性变换、分头计算 softmax(QK^T / sqrt(d/h))V、拼接投影等步骤，在 CV 中 N 为 patch 数量（224×224 图像切成 16×16 patch 时 N=196），位置编码需额外加上。