简介[2]
Attention Is All You Need是2017年google提出来的一篇论文，论文里提出了一个新的模型，叫Transformer，这个结构广泛应用于NLP各大领域，是目前比较流行的模型。该模型没有选择大热的RNN/LSTM/GRU的结构，而是只使用attention layer和全连接层就达到了较好的效果，同时解决了RNN/LSTM/GRU中的long dependency problem,以及传统RNN训练并行度以及计算复杂度高的问题。
Transformer总体结构[1]
Transformer采用Encoder-Decoder架构。
上图就是论文中提出的Transformer结构。其中左半部分是encoder右半部分是decoder.
Encoder层中有6个一模一样的层结构，每个层结构包含了两个子层，第一个子层是多头注意力层（Multi-Head Attention,橙色部分），第二个子层是全连接层（Feed Forward，浅蓝色部分）。除此之外，还有一个残差连接，直接将input embedding传给第一个Add & Norm层（黄色部分）以及 第一个Add & Norm层传给第二个Add & Norm层（即图中的粉色-黄色1，黄色1-黄色2部分运用了残差连接）。该层的重点-注意力层会在下文中进行解释。
Decoder层中也有6个一模一样的层结构，但是比Endoer层稍微复杂一点，它有三个子层结构，第一个子层结构是遮掩多头注意力层（Masked Multi-Head Attention，橙色部分），第二个子层是多头注意力结构(Multi-Head Attenion，橙色部分)，第三个子层是全连接层（Feed Forward,浅蓝色部分）。
注1：这一部分的残差连接是粉色-黄色1，黄色1-黄色2，黄色2-黄色3三个部分
注2：该层的重点是第二个子层，即多头注意力层，它的输入包括两个部分，第一个部分是第一个子层的输出，第二个部分是Encoder层的输出（这是与encoder层的区别之一），这样则将encoder层和decoder层串联起来，以进行词与词之间的信息交换，这里信息交换是通过共享权重WQ,WV,WK得到的。
注3：第一个子层中的mask,它的作用就是防止在训练的时候使用未来的输出的单词。比如训练时，第一个单词是不能参考第二个单词的生成结果的，此时就会将第二个单词及其之后的单词都mask掉。总体来讲，mask的作用就是用来保证预测位置i的信息只能基于比i小的输出。因此，encoder层可以并行计算，一次全部encoding出来，但是decoder层却一定要像rnn一样一个一个解出来，因为要用上一个位置的输入当做attention的query.
Self-Attention[2]
self-Attention是Transformer用来找到并重点关注与当前单词相关的词语的一种方法。如下述例子：
The animal didn’t cross the street because it was too tired.
这里的it究竟是指animal还是street，对于算法来说是不容易判断的，但是self-attention是能够把it和animal联系起来的，达到消歧的目的。
这里描述self-attention的具体过程如下图所示：
从上图可以看出，attention机制中主要涉及三个向量Q(Query),K(Key),V(Value)，这三个向量的计算过程如下图所示：
上图中，WQ,WV,WK是三个随机初始化的矩阵，每个特征词的向量计算公式如下所示：
Queries: q1 = x1 · WQ q2 = x2 · WQ
Keys: k1 = x1 · WK k2 = x2 · WK
Values: v1 = x1 · WV v2 = x2 · WV
Score: s1 = q1 · k1=112 s2 = q2 · k2 = 96
Divide by 8: d1 = s1 / 8 = 14 d2 = s2 / 8 = 12
Softmax: sm1 = e14/ (e14 + e12) = 0.88 sm2 = e12 / (e14 + e12) = 0.12
Softmax * value: v1 = sm1 * v1 v2 = sm2 * v2
注1：score表示关注单词的相关程度.
注2：这种通过 query 和 key 的相似性程度来确定 value 的权重分布的方法被称为scaled dot-product attention。
Multi-Headed Attention
多头注意力机制是指有多组Q,K,V矩阵，一组Q,K,V矩阵代表一次注意力机制的运算，transformer使用了8组，所以最终得到了8个矩阵，将这8个矩阵拼接起来后再乘以一个参数矩阵WO,即可得出最终的多注意力层的输出。全部过程如下图所示：
左图表示使用多组Q,K,V矩阵，右图表示8组Q,K,V矩阵计算会得出8个矩阵，最终我们还需将8个矩阵经过计算后输出为1个矩阵，才能作为最终多注意力层的输出。如下图所示，其中WO是随机初始化的参数矩阵。
Positional Encoding
在图figure 1中，还有一个向量positional encoding，它是为了解释输入序列中单词顺序而存在的，维度和embedding的维度一致。这个向量决定了当前词的位置，或者说是在一个句子中不同的词之间的距离。论文中的计算方法如下：
PE(pos,2 * i) = sin(pos / 100002i/dmodel)
PE(pos,2 * i + 1) = cos(pos / 100002i/dmodel)
其中pos指当前词在句子中的位置，i是指向量中每个值的index,从公式中可以看出，句子中偶数位置的词用正弦编码，奇数位置的词用余弦编码。最后把positional encoding的值与embedding的值相加作为输入传进transformer结构中，如下图所示：
Layer normalization
在transformer中，每一个子层（自注意力层，全连接层）后都会有一个Layer normalization层，如下图所示：
Normalize层的目的就是对输入数据进行归一化，将其转化成均值为0方差为1的数据。LN是在每一个样本上都计算均值和方差，如下图所示：
LN的公式如下：
LN(xi) = α * (xi - μL / √(σ2L + ε)) + β
以上是encoder层的全部内容，最后再展示一下将两个encoder叠加在一起的内部图：
其他细节
1、Transformer中包含两种mask：padding mask 在所有的scaled dot-product attention 里面都需要用到，而sequence mask 只有在decoder的self-attention里面用到。
Padding Mask是为了解决填充0的无意义的位置而存在的，具体的说，因为要对输入序列进行对齐，当输入序列较短时，需要在输入序列后填充0，但是这些填充的数据没什么意义，attention机制不应该把注意力放在这些位置上，因此我们需要做一些统一的处理。具体的做法是把这些位置的值加上一个非常大的负数，这样经过softmax处理的话，这些位置的值就会接近0。
参考资料：
[1] https://www.jianshu.com/p/ef41302edeef?utm_source=oschina-app
[2] https://blog.csdn.net/u012526436/article/details/86295971