前言

Transformer应该算是现有state-of-the-art模型，各种能用到深度学习的领域都对transformer进行了一些研究，之前只是浅看了一下，回顾之前的学习发现还是有不一样的收获，因此做一个整理。

（大白话，仅供自己快速回顾思考使用）

前置知识点

encoder-decoder

编码：    

解码：

问题：语义编码c用来记录整个序列的信息，序列长的话会损失很多信息，并且出现梯度小时问题

attention（Query，Keys，Values）

引入了attention的encoder-decoder有多个c，不同的预测值会将注意力放在不同的c

具体的实现：将固定的语义c替换成根据不同的输出变化的

 变化的语义对不同的预测进行加权求和，权重如何获得？decoder使用初始符得到一个h，这个h和encoder得到的h计算评分，最后softmax就可以得到概率分布，这个概率分布就作为权重

attention的本质，对原始的特征进行加权求和

优点：速度快（decoder并行计算），效果好

缺点：encoder阶段无法并行

self-attention

attention机制在target和source之间，self-attention是在自己内部计算权重

相似度计算

1.点积

2.余弦相似度：分子为点积，分母为L2距离

Transformer

【假装有图】

结构拆解：

1.输入处理模块：encoder：embedding之后add位置编码（《Attention Is All You Need》，参考，可以自己造公式）decoder：输出预测值，同样进行位置编码

2.编码模块：

6*（Mutil-Head Attention +全连接）

什么是Mutil-Head Attention？变换得到q、k、v时用了多组权重

add残差块

Layer Normalization：在同一个样本中不同神经元之间进行归一化（BN是在同一个batch的不同样本的同一位置的神经元之间进行归一化）

3.解码模块

Masked Mutil-Head Attention+全连接

sequence mask：为了使decoder看不到未来的信息，对于一个序列，输出只依赖于t时刻之前的输出，而不能依赖t之后的输出。

4.输出：线性变换＋softmax

优点：效果好，可并行，解决长依赖   缺点:结构很复杂，可以一些任务不需要这么复杂的结构，浪费很多计算资源