Transformer
网络结构
Transformer也是由编码器 和解码器组成的。
每一层Encoder编码器 都由很多层构成的，编码器内又是**++self-attention++** ++和前馈网络++构成的。Self-attention是用来做加权平均，前馈网络用来组合。
但是decoder有点不同，多了一层Encoder-Decoder Attention 。这一层的作用是关注全局，也就是不仅仅要关注编码，还要关注解码过程。在翻译中，也就是不仅仅关注翻译后的内容，还要关注翻译前的上下文内容。
Self-attention又可以拆解成多个部分，就变成了Multi-Head Attention。
最终得到了，整个网络结构。
数据流程
首先，把单词做统一长度的向量化 ，再嵌入位置信息 ，这样方便单词的统一，最终是同一长度**（比如都是512位）**。
然后，再通过一个编码器，生成下一个编码。这里的Self-attention就是个零件（比如单词）自查表， 它的作用就是通过权重标明相互之间的关系并且嵌入上下文信息。
具体的方法是，每个向量先嵌入位置信息，
再乘以++三个训练好的向量Q、K和V矩阵++。
（我感觉，看上去像是一个数据库的查询操作）Q就是我提出了一个查询语句，K就是查询时候键值，两个相乘就得到了一个特征向量。V就像是数据库里面的值，所以，就像利用前面计算得到的特征向量分别计算V的相关性。
用一个单词的K向量 和所有单纯的Q向量 相乘，++得到的权重就是Attention++。
然后，通过归一化后，利用softmax函数过滤掉不相干的单词 。再乘以V向量，加权求和。最终得到输出向量。
所有的步骤，就只需要知道，反正最后得到了单词的权重计算。
用矩阵描述就是，先把X乘以三个矩阵。
然后，利用得到的Q和K，计算Z矩阵。
如果是Multihead-Attention，就会使用多个不同权重的矩阵，计算多次，得到多个Z。Multihead的作用是，消除QKV初始值的影响。那就像是八个不同的人做，更能够排除意外的影响。
最后通过一个加权平均，合成一个Z矩阵。
梳理
变形金刚要变形，从小车到机器人。
- 编码器一开始，先拆成零件。
- Self-attention就是给出一个变形说明书，说明零件之间的关系和权重。
- 左边编码把输入转换成了++降维的向量++ 和++零件说明书++，K和V；右边解码，还需要看两个东西，一个自己的拆解说明书和与其他零件的项目关系；一个零件一个零件的组装。
- 最后，线性层把向量投影到一个很长的序列中，包含所有单词的序列。
- softmax做归一化，得到一个最大的概率。
参考资料：
【【Transformer模型】曼妙动画轻松学，形象比喻贼好记】 https://www.bilibili.com/video/BV1MY41137AK/?share_source=copy_web\&vd_source=91d02e058149c97e25d239fb93ebef76