前言
Transfomer是一种encoder-decoder模型，在机器翻译领域主要就是通过encoder-decoder即seq2seq，将源语言(x1, x2 ... xn) 通过编码，再解码的方式映射成（y1, y2 ... ym), 之前的做法是用RNN进行encode-decoder,但是由于RNN在某一时间刻的输入是依赖于上一时间刻的输出，所以RNN不能并行处理，导致效率低效，而Transfomer就避开了RNN，因此encoder-decoder效率高。
Transformer
从一个高的角度来看Transformer，它就是将源语言 转换 成目标语言
打开Transformer单元，我们会发现有两个部分组成，分别是encoders单元和decoders单元
而对于encoders单元，它是由六个encoder组成的，同样decoders单元，它也是由六个decoders组成。
对于每一个encoder，它们结构都一样的，但是权重不共享，每一个encoder的结构都是由两部分组成，分别是self-attention和feed forward neural network。
Transformer的处理流程是这样的：输入数据传给self-attention，然后selft-attention计算每一个位置的与其他位置的相关性，从而获得每一个位置的输出结果，该输出结果传给FFNN，得到第一个encoder的输出z1，z1作为第二个encoder的输入，步骤如上，直到最后一个encoder输出 ouput。
该输出ouput，在传给decoder，大致过程和encoder一致，有些许差异，稍后分析。
具体示例：
假设输入的是两个单词：Thinking Machine, 首先对单词作embedding，然后作为第一个encoder的输入，在第一个encoder里面经过self-attention，得到zi，然后zi经过FFNN得到第一个encoder的输出ri，然后ri像embedding一样，作为第二个encoder的输入
self-attention
selft-attention的作用就是求 某一位置与其他位置的相关性权重。
selft-attention执行流程：
第一步：
输入向量 embedding分别与三个权重矩阵(WQ WK ,WV)相乘，得到三个向量, Queries, Keys, Values。据说三个权重矩阵(WQ WK ,WV)是在训练过程中获得的，我很好奇它是怎么训练获得的。
还有就是 Queries, Keys, Values这三个向量的维度要比 embedding的维度小， Queries, Keys, Values的维度是64， embedding的维度是512。至于为什么要小，是为了便于multi-head计算
第二步：
计算每一个位置与其他位置的得分。
如图，以第一个单词Thinking为例，用q1分别与不同位置的keys向量ki进行点积，得到与每其他位置的得分。
第三步
将得分 除以 8， keys的维度平方根，paper是64。
第四步
对得分进行sotfmax
第五步：
用softmax的得分(权重） 乘以 对应位置的values向量，
第六步：
对加权values向量求和
以上是对于一个单词的运算过程，可以用矩阵对整个输入序列进行操作
优化Multi-head
motivation:
1、对于上面的计算过程，最后的到z1仅包含与他相关的那些位置的信息，而其他位置信息就包含的较少，Multi-headed可以覆盖到每一个位置的信息 （不太理解，不就是要找到最相关的位置吗， 为什么要其他的都包含呢)
2、它为attention层提供了更多的表示空间。在上面的计算过程中，都产生了一个 Queries,Keys, Values的权重矩阵，Transformer使用了八个head，每一个head相当于一个独立的子空间，在这里将随机初始化 Queries,Keys, Values的权重矩阵，所以最终会有八个权重矩阵，也就是会有八个 Queries,Keys, Values向量。
与之前一样的计算方式，embeding需要与每一个head进行计算，最后会有八个输出
然后八个输出拼接成一个向量，乘以 另一个权重矩阵Wo (怎么得到的？）得到最后的输出Z
multi-headed的整体过程如下：
multi-headed与single-headed的效果：
single-headed只关注与他最相关的，也就是权重最大的，如左图。而Multi-headed会关注好的内容，如右图
Position-embedding
上面模型没有考虑位置信息，Transformer增加了一个位置向量，该位置向量是通过也是通过模型学习到的，（怎么学习到的？！），所以 embedding = positional-embeding + embedding
The Residuals
另外在 self-attention与FFNN之间还加入了 一个 residual connection，在这之后还有一个layer-normalization.
意义：为什么？！
对于一个2层的encoder-decoder，它们的架构如图所示：
Decoder side
encoder最后一层的输出将被转化成 key, value向量，（怎么转化？！）这两个向量在 decoder中的encoder-decoder attention层共享。
decoder对于输入也和encoder一样加入位置编码，与encoder中selfattetion有些许区别，它只考虑该时间步之前的信息，
decoder中querry是怎样的呢？
最后在加一个全连接层，softmax得到最后结果
参考：