太…完整了！同济大佬唐宇迪博士终于把【Transformer】入门到精通全套课程分享出来了，最新前沿方向
学习笔记
无法并行，层数比较少
词向量生成之后，不会变，没有结合语境信息的情况下，存在一词多义，无法处理
词如何编码成向量
第一句话中，it 和 animal 的相应最高
内积，正交的话内积为0，越相近（相关），内积越大
d k \sqrt{d_k} d k 的目的，向量维度越大，内积也越大， d k \sqrt{d_k} d k 起到 scale 的作用
对于每个输入 x1 … xn, 计算一样的，可以并行为一个矩阵乘法
多头类比多个卷积核，来提取多种特征
不同的头得到的特征表达也不相同
多头包含在了 self-attention 中了
引入位置编码，形式有很多，比如 one-hot，原文中作者使用的是周期性信号进行编码
layer normalization 和 residual structure
encoder-decoder attention，encoder 的 K,V，decoder 的 Q
mask 机制：以翻译为例，不能透答案了，翻译到 I am a 的时候，student 要被 mask 起来，只能计算 I am a 的注意力
不能用后面未知的结果当成已知的条件
语料
预测出 mask，来训练提升特征编码能力
end-to-end 的形式，词编码表达和 task 一起训练
答案 d2->d3
