论文地址：https://arxiv.org/abs/1706.03762
谷歌于2017年发布论文《Attention Is All You Need》，提出了一个只基于attention的结构来处理序列模型相关的问题，比如机器翻译。相比传统的CNN与RNN来作为encoder-decoder的模型，谷歌这个模型摒弃了固有的方式，并没有使用任何的CNN或者RNN的结构，该模型可以高度并行的工作，相比以前串行并且无法叠加多层、效率低的问题。那么Transorformer可以高度并行的工作，所以在提升翻译性能的同时训练速度也特别快。
目录
（二）Self-Attention与Multi-Attention注意力机制
作用是在机器翻译中，可以使用此神经网络进行机器翻译，从而得到正确的输出，它的基本组成也是一个Seq2Seq的结构：
那么transformer的原理可以使用下图来进行表达：那么左边即为encorder，右边为decorder：
RNN也可以称为递归神经网络，RNN为一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。
那么它存在的问题有如下：
串行结构无法做复杂的神经网络，此结构时间复杂度高，有人会说可以把它扩展为一层或者两层神经网络，可是他的本质还是在做不断地堆叠，其效率很低，建起来也就那么几层。
对于输入我们称为token，我们把一句话分为好几个token之后进行处理。输入的词我们称为向量对于向量我们要进行更新，但是RNN中最大的问题就是这些向量是不会更新的，它不会随机应变。
RNN只会考虑上文，不会考虑下文，对于一句话来说，对于一段话的处理其实不是很理想，它不会去考虑下文的联系。
那么在NLP邻域中，RNN并不适合作为自然语言处理最好的方式，就像下面这个例子：
其中的it根据上下文可以解析为不同的意思。那么如何解决呢，在论文中引入了注意力机制这一概念。
（1）Embedding
编码器和解码器的输入就是利用学习好的embedding将tokens转化为向量。常见的操作方法为word2vec。
（2）位置编码
对于普通的RNN，其输入的数据进行训练时，只使用了一套参数进行训练，RNN的梯度变为0，是因为它的梯度被近距离梯度主导，被远距离的梯度忽略。但是对于transorformer，其输入为并行化处理的，一句话一起处理的时候，我们需要注意其位置关系以及先后关系，这个时候就需要位置编码。
那么对于我们输入的词，它的处理是这样的：
那么使用cos以及sin进行位置嵌入会有用呢：
我们可以使用位置编码得到一个绝对位置，但是相对位置怎么办，利用三角函数的性质：
我们可以得到：
可以得到的是，对于pos+k位置的位置向量某一维2i或2i+1而言，可以表示为，pos位置与k位置的位置向量的2i和2i+1维的线性组合，这样的线性组合意味着位置向量中蕴含了相对位置信息。但是这种相对位置信息会在注意力机制那里消失。
我们可以抛出两个问题：
对于输入的数据，我们的关注点在哪？如何才能让计算机关注到这些有用的信息？
如何使计算机区分不同的语境？
Attention用于计算“相关程度”，例如在翻译的过程中，不同的英文对中文的依赖程度不同，我们融入权重，代表上下文的影响，对文本进行重构。那么如何去计算：
输入经过编码后得到的向量。
想得到当前上下文之间的关系，通过下面的计算公式，可以理解为是在加权。
对于Queries这个向量，可以理解为是去询问别人，我们之间的关系怎么样。
相反，对于Key这个向量，我们可以理解为是去回答别人，我们之间的关系是这样的。
我们需要构建Queries、Key、Value这三个向量进行穿当前词与其他词的关系，表达我们的特征向量。
计算公式：
那么这个到底怎么运算的，简单来说就是根据我们输入的QK矩阵进行计算，下面的根号dk是为了避免维数不同而造成的差异，我们不可以因为一个图像它的维度多，我们就认为它是重要的，之后再进行归一化，生成0~1范围内的数，表示它的影响程度，最后再乘以V。
对于我们输入向量X1，我们会去逐个点乘包括自己的Key向量，反映了两个向量之间的相似度，如果点乘的结果越大表示向量的相似度越多，那我们就更加关注他：
那么QKV向量如何获取呢：
在我们只有单词向量的情况下，获取的方式如下，我们需要三个权重参数Wq、Wk、Wv，这三个权重参数是通过我们神经网络进行训练出来的。X1 = Wq * q1、X2 = Wq * q2...
那么计算完后如何操作呢：
其实就是根据我们上面的公式进行计算，之后除以一个根号dk，dk作用为减小维度，我们不可以因为一副图像他维度大，我们就觉得它的特征大，它是对的。在实际的代码操作中，我们方便使用矩阵，方便并行：
多头注意力机制是什么，其实就是我们上面所说的一个字节的注意力机制，我们使用了很多套参数去进行训练，在不同的空间上进行学习，通过不同的head得到多个特征表达，最后将所有的特征拼接到一起，可以再通过一层全连接来进行降维。
使用了多头注意力机制，可以让特征更加丰富，可以得到不同的注意力结果。
首先看看transorformer的整体架构：
在上面，我们已经实现了Self-Attention，接下来看看Add与normalize（加速训练的作用）：
下面是指我们将输入的向量与其位置编码进行相加，一路送到Attention中进行计算，另外一路原封不动地送入残差连接：
那么这样有什么作用？我们可以这么理解，我们要做两手准备，防止上一次处理的结果不理想，用一句话概括来说：至少不比原来差。
那么根据数学公式：
根据后向传播的链式法则：
很多时候梯度消失都是因为连乘所引起的，当我们加入原先的输入时，我们保证了尽管连乘最后导致的结果为0，但是我们还是有一个1，这个梯度不会为0。缓解了梯度消失的原因，所以这个网络结构才可以更加深层的进行。这也是为什么不使用RNN进行NLP的原因所在。
为什么使用Layer Normalization而不是用Batch Normalization：
BN中，如果batch_size较小的时候，效果差。
BN在RNN中的效果比较差。当向量维度不同时，我们不可以有效地将其做有效的处理。
LN单独对一个样本所有单词做缩放可以起到效果。以上的点也如下图
在BN中，是以某一行或者某一列进行做均值方差，但是在NLP中，我们也不可以将每一行或者是每一列作为一样的性质进行比对，因为它所表达的意思肯定不一样。而LN则是在一个语句中不断地学习，这个在NLP中确实说得过去。
那么看看下面这张Normalize：
我们可以看到对于BN他是在不同输入中进行同一行的比较，可是我们每一句话所对应的意思肯定不一样，语境都不一样我们怎么去比对，我们只能看看自己本身，自己体验自己的语境。
我们再看看详细的图：
那么他与decoder有什么不同呢，这么看起来好像都是差不多的处理：
Attention计算不同。
加入了Mask机制。（一个接着一个输出答案，就像我们手机输入语音一样，不可以使用下文的词，只可以使用前面的词，这也是机器翻译的过程）
那么关于Decoder的结构：
（1）第一个是Masked multi-head self-attention，也是计算输入的self-attention，但是因为是生成过程，因此在时刻i的时候，大于i的时刻都没有结果，只有小于i的时刻有结果，因此需要做Mask。
（2）第二个sub-layer是对encoder的输入进行attention的计算，这里仍然是multi-head的attention结构，只不过输入的分别是decoder的输出和encoder的输出。(交互层)
那么如何交互呢：
我们使用encoder生成了两个KV矩阵，注意，是KV矩阵。而Q矩阵在decoder中生成，最后行成多头注意力机制：
（3）第三个sub-layer是全连接网络，与encoder相同。最后进行模型的输出：
那么关于这篇的论文的分析到这里。
