多义词如何应对：
答：通过Self attention，不同的上下文，对同一个"苹果"，得到截然不同的embedding激活值；
Multi-head的作用：
有些类似CNN里用的多个卷积核得到多个Channel的特征图；
从不同的角度去看，每个head侧重不同的特征维度，注意力放在和当前词在某些视角上相似的上下文词。
Attention是矩阵运算：
：对Q或K的特征维度，进行开平方。因为分子是多个乘积加和到一起，方差变大了，除以这个d是为了将方差复原。
模型定义：
d_model是Input和Output的维度；
（如果用了Group-MHA，则k和v的矩阵列数会减少N倍，减少了参数量、计算量、kv-cache量）
Attention:
query的维度顺序：(batch, head, seq_len, feature-dimention)
key经过转置之后：(batch, head, feature-dimention, seq_len)
PyTorch的@矩阵乘法，是对最里面2个维度构成的矩阵，进行的矩阵乘法。
query和key乘完之后：(batch, head, seq_len, seq_len)
前向计算：
注意：入参q,k,v，在Self-attention计算时，都是本句子tokens的上游激活；在Cross-attention计算时，只有q是本句子tokens的上游激活，k和v都是encoder句子tokens的对应层的；
乘完各自的变换矩阵W之后，query、key、value的维度都是:
(batch, seq_len, all-feature-dimention)
经过多头注意力划分，得到:
(batch, seq_len, head, per-head-feature-dimention)
对中间2个维度进行转置，得到：
(batch, head, seq_len, per-head-feature-dimention)
经过Attention计算完成之后，又将中间两个维度转置回来，相当于将所有head的矩阵concat到一起了；
LayerNormalization:
注意，是对每个token，其所有特征维度，进行标准化。
是可学习的，维度是hidden-size的维度；
残差层：
好处：在层数多的网络里，有一条直达捷径，可以让梯度直接传到到前面；解决了梯度消失问题；
全连接FFN层：
2个矩阵乘法，中间的激活的维度d_ff，可以不等于输入和输出的维度d_model；
2个矩阵乘法之间，有ReLU和Dropout
Position Embedding:
i是第几维度的特征；t是token所在句子中的位置；
i小的时候，w接近1，值随t的变化大；
i大的时候，w接近0，值随t的变化小；
特性1：句子再长，也能拿到位置编码向量；
特性2：两个token之间，保持一定的距离，无论他俩在句子中的什么位置，2个token的位置编码的点乘，都是不变的：
代码：
Decoder的Masked Self-attention:
Decoder侧，每个token只能把句子左侧和自己的token，参与计算；
代码：
softmax之前，将mask的维度，赋予极小负数，e的x次方接近0，softmax之后，该维度的值就接近0；
Decoder的Cross-Attention:
代码：
Self-Attention, Q、K、V的输入，都是decoder侧的tokens的上游激活值；
Cross-Attention，Q的输入是decoder侧的，K、V的输入是encoder侧的tokens的对应层的激活值；
（注意：以上激活值，再attention内部，还要乘以各自的W矩阵，才得到Q、K、V）
视频课程：
大模型修炼之道(一): Transformer Attention is all you need_哔哩哔哩_bilibili