1. 简介

• 基于编码器-解码器架构来处理序列对
• 跟使用注意力的seq2seq不同，Transformer是纯基于注意力

---

2. 多头注意力

• 对同一key，value，query，希望抽取不同的信息
  • 例如短距离关系和长距离关系
• 多头注意力使用$h$个独立的注意力池化
  • 合并各个头（head）输出得到最终输出

---

3. 有掩码的多头注意力

• 解码器对序列中一个元素输出时，不应该考虑该元素之后的元素
• 可以通过掩码来实现
  • 也就是计算$x_i$输出时，假装当前序列长度为$i$

---

4. 基于位置的前馈网络

• 将输入形状由$(b,n,d)$变成$(bn,d)$
• 作用两个全连接层
• 输出形状由$(bn,d)$变化回$(b,n,d)$
• 等价于两层核窗口为1的一维卷积层

---

5. 层归一化

• 批量归一化对每个特征/通道里元素进行归一化
  • 不适合序列长度会变的NLP应用
• 层归一化对每个样本里的元素进行归一化

---

6. 信息传递

• 编码器中的输出$y_1,...,y_n$
• 将其作为解码中第$i$个Transformer块中多头注意力的key核value
  • 它的query来自目标序列
• 意味着编码器和解码器中块的个数和输出维度都是一样的

---

7. 预测

• 预测第$t+1$个输出时
• 解码器中输入前$t$个预测值
  • 在自注意力中，前t个预测值作为key和value，第t个预测值还作为query

总结：

• Transformer是一个纯使用注意力的编码-解码器
• 编码器和解码器都有n个transformer块
• 每个块里使用多头（自）注意力，基于位置的前馈网络，和层归一化。