前面我们分篇讲述了transformer的原理，但是对于很多刚接触transformer的人来说可能会有一点懵，所以我们接下来会分三篇文章用白话的形式在将transformer 讲一遍。
前文链接
Bert基础(一)–自注意力机制
Bert基础(二)–多头注意力
Bert基础(三)–位置编码
Bert基础(四)–解码器(上)
Bert基础(五)–解码器(下)
注意力机制其实最大的作用就是对词嵌入也就是embedding的优化，下面我们来看下是怎么做到的
1、 词嵌入
我们人类最擅长的就是自然语言的表达，而计算机擅长的事数字的计算，如何将人类的表达方式让计算机能够理解呢，就需要一个桥梁连接起来。
这个桥梁就是embedding，embedding 即词嵌入，是NLP领域最重要部分；embedding就是将文本变成数字，让每个或者每段文本都有很好的与之对应的数字表示，那么需要解决的问题就会变得容易很多，embeddings 越好模型就会越好
2、 例子
我们这里有一堆文本单词，在一个二维的坐标系中，每个单词都有一个水平和垂直的坐标，比如香蕉是6，5，
那么现在出现了一个新的单词，apple（🍎），如果让我们给苹果安排一个位置，应该在哪里最合适呢？
很明显是右上角，因为这里全部是水果，embedding的作用就是相似的单词会被赋予相似的数字
当然，对于一个单词其实不会只有两个维度，可以使很多，分别来表示其中一个属性，比如大小、颜色、形状等，如下
3、 问题
现在我们重新定义一个坐标系
右上角是草莓和橘子，左下角是苹果和window系统；根据我们的正常理解，右上角是水果类，左下角是计算机类；
OK，下面我们又有几个新的单词出现了，需要我们预测他们的坐标。
我们其实很容易的可以区分，车厘子和香蕉是水果，应该在右上角；安卓和电脑应该属于计算机那个类别，放在右下角。
到现在为止，事情看上去还是很简单的，但是现在来了一个单词苹果（apple）
这个单词应该放在哪里呢？？？
苹果如果表示吃的水果应该在右上角，如果是手机的话应该在左下角。而对于embedding而言，不管是自己创建Vocabulary单词表还是使用word2vec，都不能解决歧义。
我们先把单词苹果（apple）放在中间的位置，那么我们该如何解决这个问题的，下面注意力就要出场了。
4、 注意力机制
注意力机制就是来解决单词歧义问题的
论文中提到的注意力就是使用了查询、键、值三个矩阵，我们在介绍中不是为了解释论文架构，而是说清楚注意力到底是怎么实现的。
现在我们来看两个文本，根据第一句话我们应该明白，这里面提到了橘子，我们人类是知道橙子属于水果，提到苹果这个词语时，那么苹果应该是可以吃的苹果；同样在第二个句子中提到了手机，那么我们应该明白这里指的是苹果手机。
我们人类可以根据经验进行判断，但是计算机是不知道的
下面我们来看看注意力机制是如何做到的？
在前面我们提到了，我们先把苹果这个单词初始化，放在中间的位置；当输入是第一句话时，提到了orange，那么这个地方出现的apple应该向右上角移动。
而，第二句话出现时，apple这个单词应该向左下角移动
其相应的坐标如下
5、 原理
要想实现上述过程，计算机就必须要计算所有单词来查看或者评估苹果这个词，通过程序不断的训练会发现，苹果和橘子这两个词比较接近，而与其他的词关系不是很大，那么orang就与apple这个单词相关性更大，我们这里绘制了更粗的连线，我们可以把他们想象成单词之间是有相互吸引力的，连线越粗其吸引力越大，最后距离就会越近。
其实，所有的单词之间都有相互的吸引力，但是随着不断的训练，单词之间会趋于一个平衡，比如buy这个单词，与他相关的单词会相互吸引聚成一簇，比如sell等，而苹果、橘子等水果相关的词会聚集在一起，可以想象成Kmeans聚类算法。
或者想象一下我们的宇宙空间的星球，他们之间都是有作用力的，因为地球和月球比较近，相互吸引力越大，所以相关性越大；而月球与其他的相求也有吸引力，但是比起与地球之间的相互吸引力就太弱了，也就是月球的大部分注意力都在地球上。
所以如果上下文一直在讨论香蕉、橘子等水果，那么接下来出现的apple这个单词大概率就是我们吃的苹果，那么聚集在一起的水果这个簇就会把apple这个单词拉到水果簇中心的方向。
其实这就模型跟踪内容的方式，也就是注意力机制的可视化的步骤。
6、 多头注意力
当我们建立好了一个注意力机制后，那么我们怎么确定这是一个非常好的embedding呢？
理想情况下可以有很多的词嵌入，把他们结合起来形成一个更强大的词嵌入矩阵
我们看一下现在我们有三个初始化的embedding矩阵，自己想一下，哪一个词嵌入是最好的
当然是第一个，因为他可以把两个不同簇分得更开，更加容易辨别。当我们对apple进行训练时，不管结果是拉向橘子还是手机，他们在拉近一个的同时会远离另外一个，这样就类似于聚类时可以很确定的将这个点进行归类，消除歧义。
所以我们初始化一个词嵌入时，有可能是第一种好的，也有可能是第二个比较差的，所以我们多使用几个，获取得到好的embedding的概率就会越大。
7、 线性变换
当然如果嵌入多了也会有问题，如果我们从不同的方式或者维度进行创建词嵌入矩阵，那么结果会变的不可控制，所以我们不能仅仅采用一大堆的嵌入进行组合
我们要做的是建立一个词嵌入矩阵，在此基础上进行修改和转换，就是我们要讲的线性变换
比如我们对原始embedding进行了两种变换，那么大家可以考虑下那种变换是变得更好呢
很明显是第三种，那么现在我们为了能够选出更好的词嵌入，我们可以给出评分，好的词嵌入给高的分数，不好的给予低的分数
最终的得分就是查询矩阵、键矩阵和值矩阵要做的事情
- 首先我们根据文本创建一初始的词嵌入，现在我们使用Q、K来创建变换
- V矩阵帮助我们进行评分，好的变化给予高的权重，不好的赋值较低的权重
- 根据得分我们将所有的矩阵进行加权求和得到最终的词嵌入
以上就是注意力机制的全部内容，下一篇会讲一下Q、K、V矩阵相关知识。。。
