1.什么是Transformer？
首先，我们需要弄清Transformer的来龙去脉，先从seq2seq模型谈起。seq2seq是sequence to sequence的简写，指一类模型其输入是一个序列，输出是另一个序列，比如翻译任务，输入是一段英文文本序列，输出是中文序列，序列的长度可以是不相等的。seq2seq是一类模型，而Encoder-Decoder是这类模型的网络结构。Encoder即编码器，将原始文本转换为一个固定长度的语义向量，再由解码器Decoder对其进行解码，得到输出序列，由此完成一个sequence到另一个sequence的转换。
原始的seq2seq，其encoder和decoder一般都是由RNN来承担，RNN很适合于处理这种序列，能够利用整个句子的信息，但是缺点是难以处理长程依赖，无法并行，计算效率低；CNN可以并行，但是利用的信息有限，如果要看到整个句子，就要叠很多层。Transformer就是一种encoder-decoder结构，其encoder和decoder不再简单的使用RNN或CNN，而是由特殊设计的block堆叠而成，这个特殊设计的block中应用了自注意力机制，可以并行计算，并且能够让模型对重要的信息重点关注。
现在，总结一下什么是Transformer，看一下Transformer的整体结构。首先明确它是seq2seq的 Encoder-Decoder架构，先看Encoder部分，此时可以把它当成黑盒去只看它的输入输出，即：输入是一排向量，输出是另一排向量。Encoder的输出会送到Decoder中，经过一系列处理得到又一排向量，经过线性层和softmax层得到最终的结果。内部具体的过程后文再进行详细介绍。
2.自注意力机制
自注意力机制说白了，就是对一个句子中的词，计算其他词和它的相关性大小（这里说相关性可能不准确，就是该词和其他词之间的联系程度，或者说，理解该词时应放多少注意力在其他各个词上），这个值就是注意力分数，两个词之间的注意力分数大，意味着两者之间联系紧密，因而经过自注意力机制处理后的向量，更能够捕获词语间的语义依赖关系。其计算步骤如下：
（1）对每一个单词的词嵌入向量 x i x_i xi，生成三个向量：查询向量 q i q_i qi、键向量 k i k_i ki 、值向量 v i v_i vi. 这三个向量是通过词嵌入与三个权重矩阵相乘创建的。即：
q i = x i ⋅ W Q q_i=x_i\cdot W_Q qi=xi⋅WQ k i = x i ⋅ W K k_i=x_i\cdot W_K ki=xi⋅WK v i = x i ⋅ W V v_i=x_i\cdot W_V vi=xi⋅WV
（2）计算自注意力得分。假设我们在为句子中第一个词 “today” 计算自注意力向量，我们需要拿输入句子中的每个单词对 “today” 打分。这些分数决定了在编码单词 “today” 的过程中有多重视句子的其它部分。这些分数是通过打分单词（所有输入句子的单词）的键向量与 “today” 的查询向量相点积来计算的。
举例来说，一个句子有 n n n 个单词，其嵌入向量分别为： x 1 , x 2 , . . . , x n x_1,x_2,...,x_n x1,x2,...,xn，计算第一个单词的自注意力向量，就是用每一个词的键向量 k i ( i = 1 , . . . , n ) k_i(i=1,...,n) ki(i=1,...,n) 乘第一个单词的查询向量 q 1 q_1 q1 得到第一个单词对应其他各个词的注意力分数： s c o r e ( x 1 , x i ) = q 1 ⋅ k i score(x_1,x_i)=q_1\cdot k_i score(x1,xi)=q1⋅ki
（3）将分数除以8（除8是因为，论文中使用的键向量维数为64，其平方根为8，除8可以让梯度更稳定。这里也可以使用其它值，8只是默认值) ： s c o r e ( x 1 , x i ) / 8 score(x_1,x_i)/8 score(x1,xi)/8
（4）softmax归一化，得到的分数都是正值且和为1，这个分数反应了各个单词和第一个单词相关性的大小。
（5）每个值向量 v i v_i vi （前面计算注意力分数用了 k k k 和 q q q，这里用的是 v v v） 乘以与其对应的softmax分数，相当于进行加权。
（6）对加权值向量求和，得到第一个单词 x 1 x_1 x1 经过自注意力机制处理之后的向量，然后将该结果送入前馈神经网络中即可。
以上就是自注意力机制的一般过程，但是在Transformer中，实际使用的是 多头注意力multi-head attention，其实就是同样的计算步骤基于不同的 W K , W Q , W V W_K,W_Q,W_V WK,WQ,WV 矩阵进行多次，这些矩阵都是进行随机初始化生成的。Transformer使用八个注意力头，即有八组不同的 W K , W Q , W V W_K,W_Q,W_V WK,WQ,WV 矩阵，最后每一个原始词向量都有8个不同的向量表示，将其拼接到一起，再乘以一个权重矩阵 W O W_O WO 进行融合，得到自注意力层最后的输出。
3.Transformer结构解析
3.1 Encoder
下图展示了Encoder的主要过程：
再用一个图来直观地表达一下这个过程，这个图片里解释了层归一化的具体操作（等式右侧的 x i ’ x_i^’ xi’ 改为 x i x_i xi）
3.2 Decoder
Decoder与Encoder的区别在于，有两个MultiHead Attention：
- 底层是Masked MultiHead Attention
- 中间的MultiHead Attention可以叫做cross attention，正是这个组件将encoder和decoder连接起来
下面主要解释一下什么是Masked MultiHead Attention以及decoder和encoder是怎么连接交互的。
(1）Masked MultiHead Attention
如图所示，masked的意思是，生成 b 1 b_1 b1 的时候只能考虑 a 1 a_1 a1, 生成 b 2 b_2 b2 的时候只能考虑 a 1 a_1 a1， a 2 a_2 a2，而不能考虑 a 3 a_3 a3, a 4 a_4 a4……为什么要这样做呢？比如说翻译任务，Encoder是一次性把整个 a 1 a_1 a1- a 4 a_4 a4都用进去，但是翻成另一种语言时是从左到右依次生成的，在翻译到第一个字的时候，右边还没有其他的字。Decoder是从左到右解码的，先有 a 1 a_1 a1, 再有 a 2 a_2 a2,逐次生成，在生成 b 2 b_2 b2的时候，还没有 a 3 a_3 a3, a 4 a_4 a4.
关于这一部分的内容，这篇帖子讲解得很详细：Transformer模型详解
（2）cross attention
Decoder模块中间的部分即cross attention， 主要的区别在于其中 Self-Attention 的 K, V矩阵不是使用 上一个 Decoder block 的输出计算的，而是使用 Encoder 的的最终输出来计算的。
根据 Encoder 的输出计算得到 K, V，根据上一个 Decoder block 的输出 Z 计算 Q，这样做的好处是在 Decoder 的时候，每一位单词都可以利用到 Encoder 所有单词的信息 (这些信息无需 Mask)。
总结
Encoder部分的每一个block，接收输入向量，和八组不同的权重矩阵 W K , W Q , W V W_K,W_Q,W_V WK,WQ,WV 相乘得到八组 k , v , q k,v,q k,v,q，利用 k , q k,q k,q 计算注意力分数，这个注意力分数和 v v v 相乘起到加权求和的作用，八个拼起来再成权重矩阵 W O W_O WO得到一个block的最终输出向量。同样的操作重复6次得到encoder部分的最终输出。decoder这边先要给一个表示开始的特殊token，经过mask multihead attention处理得到中间结果，用它生成查询向量 q q q 和基于Encoder输出结果生成的 k , v k,v k,v 进行自注意力机制处理。Decoder也是有6个同样的block，每次做cross attention都是和encoder的最终结果进行的。