本文尝试用一种通俗的语言来说明白transformer，也会加一些自己的理解。
transformer基于attention,解决的是seq2seq的问题。

0.先来回顾一下attention

如果让我用一句话来总结attetion我会说针对输入做一次矩阵运算，得到（q,k,v），k和v一般一样，然后针对q,k做矩阵乘法，再加一个softmax层之后我们就可得到权重，权重和v点乘之后就是一个输出，表示的是输入之间的相联系程度。

• 基础的attention
  这个是图示：

  
  基础attention形式
  

  这个是计算公式：

  
  attention计算公式
  dk是Q的列数，除以这个是为了提高模型泛化能力。中间的QKT还有很多其他的计算方法，最终保证的出来是一个一维向量即可，计算方法有下面这几种：
  QK的不同处理方式
  最终要注意一个问题：attention的输出是什么？
  

  首先啊 权重是向量1维的，但是这个v不是，是和q,k一样的，因此就是响应的权重ai和vi对应相乘，然后相加，得到当前的attention输出，这个再放到decoder里边去。
  为了防止你不懂，我又去拔了一个示意图：

  
  attention计算过程

• multi-head-attention
  这个是transfomer用的结构，先上图。

  
  多头自注意力机制
  

  看这个图，初始的QKV经过了线性变换，然后分成h个头，分别进行attention，然后拼接到一起，然后再输出。
  好了，疑问点就是怎么线性变换的，这可不是线形划分啊，举个栗子现在要分8个头，那么每一次线形变化都要乘上一个权重。
  我们知道输入是(m,512)，而QKV的维度是一样的，都是(m,64)，但是输入乘以权重计算出来的，多头就是每次乘的权重都不同，然后并行计算，算完再拼接，其实就是（m,64*8），再变化一次，乘以(512,512)最后的输出和输入维度一样了，perfect。

1.transformer整体结构

概览，其实transformer跟其他的seq2seq是一样的，怎么一样呢，都是encoder和decoder构成的。先来整体理解一下他的结构：

transfomer结构

encoder由2个单元构成，decoder由3个单元构成，其中的核心还是上文回顾的多头自注意力机制。其中encoder有6层，decoder也有6层，encoder的每一层输出都是下一层的输入，主要是多头的输出维度和输入是一样的。然后encoder最后一层的输出会分到decoder的各层中，当成输入之一。

2.encoder部分

先上图：

encoder部分

• 首先是输入的embedding，embedding的方法很多，各个包都提供了算法。

• 然后是加入位置编码，位置编码有个计算公式：

  
  位置编码计算方法
  

  他和wordemmbedding的size一致，pos是词的位置，dmodel是词向量的维度，奇数位置是sin，偶数位置是cos。

• 然后是进去做一个多头自注意力
• 再然后利用了残差网络的思想，原数+变化以后数据的相加，在做一个标准化。
• 然后把上边的输出向前在搞一个全连接，再搞一个残差网络，最后标准化，输出给下一个encoder。

3.decoder

decoder没有encoder那么简单了，先看看啥样吧。

decoder格式

一看就是decoder要和encoder结合起来啊，

• decoder的输出是目标序列经过embedding以后加入位置编码，这点和encoder一样。
• decoder做self_attention的之后，做残差加和，做标准化
• decoder独有的encoder和decoder的self attention就是encoder最后一步输出的Q和encoder做的KV再做一个attention。做完attetion再加和标准化
  只能跟他之前的词做，忽略之后的词，因此这个有两个mask机制：
  一个是padding mask这个很简单就是应对输入输出长度不一样，进行补齐的。
  一个是sequence mask就是说当前输出只能和之前几期的输出有关，不能和之后的有关。
• 然后做前馈神经网络，然后这一层输出和enconder输出共同作用于decoder第 2部分，最后再做一个线性变化，求一个最大概率出来。

总结

基本逻辑理清了，接下来结合源码来分享一点知识点，先不更新了。