transformer的结构，重点是self attention，通过qkv三个变量，建模事物内部，或者事物之间的相关性。
总体看，transformer的结构不算特别奇特，attention的用法也比较常见，也是借鉴了之前的技术。但它具有划时代的意义。
一般来说，任何事物，只要你能把它token化，你就可以用transformer进行建模，这是它强大的一个原因。k和v是同一种事物的抽象表示，q是同一种或不同种的抽象表示，通过qk的相关性计算（attention score），得到v中真正核心有用的内容。
你可以理解为，v是你的本体，k是影分身，q是敌方忍者。我们先用影分身k去试探q，得到经验（attention）后，为v在战斗中所用。
transformer理论上能建模无限长序列，不像lstm或rnn（不能建模长序列，容易遗忘性），而且能够并行计算（lstm是有时序依赖的，不能并行计算），这是它强大的第二个原因。
transformer的mask机制，能挑选控制attention的位置和方向，从而进行效果或性能的优化，这是它强大的第三个原因。
transformer本身具有encoder和decoder机制，其实它是天然的vae结构或gan风格，这是它强大的第四个原因。
但它不是没缺点的，随着sequence length越来越大，计算量和存储量剧增，这也是优化热点和难点（需要既保证效果，有提升速度）。另外，如何pretrain和finetune，使得transformer具有外推性（用短的样本去训练，无脑去处理长的样本），也是一个优化难点。