本文参考了b站的Eve的科学频道中的深入浅出解释Transformer原理和DASOU讲AI中的Transformer从零详解。
入浅出解释Transformer原理
Transformer从零详解

前言：

在自然语言识别中，之前讲过lstm，但是lstm有明显的缺陷，就是当文本过于长的时候，考前的文本信息和后的文本信息，关联性就会越来越弱，并且因为链式求导的原因，会导致梯度消失，所以这里就学习了一种新型神经网络Transformer，他和前面的网络很不一样，他是一种基于注意力的编码-解码架构。

单个网络结构：

如上图所示，左边为编码部分，右边为解码部分，接下里，我们将会从编码部分开始讲解。

1.输入部分

如上图所示，红框部分就是输入部分，inputs就是我们的文本信息，比如how are you ,而input Embedding，就是把我们输入的这一段话，做嵌入，使他形成词向量（比如word2vec），比如我们把how are you，可以做成如下所示的词向量

词向量嵌入完成后，还要加上位置信息，因为在lstm中，每个隐含层的节点，都是要接收上一个隐含层的输出，所以他是有天然的时序顺序在里面的。但是transformer中，我们没有使用rnn，所以就需要我们给他的词向量中加入位置信息。

位置编码公式如下：

我们可以看出有两个参数2i和2i+1，他的意思就是在词向量的偶数位置做sin运算，在奇数位置做cos运算，如下图

然后接下来，把原来的Embedding和posCode进行相加，如下图所示

2.多头注意力模块：

自注意力机制，简单来说就是模型先要把输入的文本中，每个单词和其他单词关联起来，然后在矩阵中表示出，哪些单词是重要的单词，下图就是自注意力机制的内部构造。

QKV: 上图红框中的意思是，我们把前面输入部分的输出，分别送入三个不同的全链接层，得出三个向量。那这句话换个说法就是，我们把之前的每个词向量，乘上三个不同的矩阵，如下图所示，就可以得到每个词向量自己的QKV矩阵。例如Q矩阵，他实际上是由how are you 三个词的Q矩阵，所构成的一个三行三列的Q矩阵。所谓的多头，其实就是可以有多个编码部分，其中每个编码部分的结构其实都是一样的，不同的是下图中的WQ WK WV矩阵的内容，因为这三个矩阵的不同，所以相当于在不同的空间中注意到不同的信息。

matmul： 接下来就把Q矩阵和V矩阵进行相乘，所得到的这个矩阵，确定了一个单词应该如何关注其他单词，如下图所示，可以明显的看出，矩阵中的数字，代表了这个单词和其他单词的关注度，分数越高代表关注度越高。

然后把相乘后的矩阵进行缩放，如下图所示，目的是让梯度稳定，因为乘法后的数据会很爆炸，换句人话说就是，因为后面要拿这个矩阵做softmax，如果这个矩阵过大的话，就会导致softMax很小，从而导致梯度的消失。

softMax： 接下来对缩放后的矩阵进行softMax变化，入下图所示，把矩阵变成注意力的权重矩阵，其实还有个好处是可以让注意力强的单词更强，弱的更弱。

第二次MatMul： 把softMax变换后的注意力权重矩阵，乘上V矩阵，所得到输出向量，就可以把原本不重要的词给变小，给重要的词变大。

concat和Linear:
上面所说的，只是一头，就相当于下图中的“一片”，但是实际中，是多头。是由很多片构成的，所以concat的目的就是把每片输出的注意力权重矩阵给拼接起来。

假如我们由8个头，那么将会输出8个注意力权重矩阵，conact拼接效果如下：

显然这么长的矩阵，不是我们的目标矩阵，因为我们要的是让输出矩阵和输入矩阵，所以要进行Linear变换，如下图所示，最后所得到的结果，就是多头自注意力机制的输出

add&norm: add和norm是两个操作，其中把多头注意力向量加上pos-embedding上，这是add，也就是残差链接，连接后经过归一化，如下图所示 。

残差链接有什么用？
如下图所示，通过链式求导法则可以看出，当使用残差时，括号内存在一个1，梯度消失一般情况下是因为连乘从而导致梯度变小，而下面因为这个1的存在，导致梯度不会那么容易消失

LayerNorm有什么用？
是一种用于神经网络的归一化技术，它可以对网络中的每个神经元的输出进行归一化，使得网络中每一层的输出都具有相似的分布

3.全链接模块：

这层很简单，两层全连接，用ReLu作为激活函数，因为是Feed Forward神经网络，所以他信息只沿着一个方向流动，即从输入层到输出层。因此，不存在误差反向传播，如下图所示。其中的LN和上面的方法一样。