Transformer的Decoder为什么要用掩码（Masked Self-Attention）
- 机器翻译中：源语句（我爱中国），目标语句（I love China）
- 为了解决训练阶段和测试阶段不匹配的问题：
- 在训练阶段，我们已知目标语句，而且解码器的输入是目标语句，也就是会把将要生成的句子给解码器，为了让解码器的参数更加适配，让解码器更好的生成，即在训练阶段，每一次都会把目标语句的所有信息告诉解码器
- 在测试阶段，我们不知道目标语句，但是解码器也有输入，此时的输入为已经生成的词，所以每生成一个词，就会多一个词作为输入放进解码器，即在测试阶段，每一次都会把目标语句的部分信息告诉解码器
- 综上，为了解决这个不匹配的问题，我们使用Masked Self-Attention，把不应该提前告诉解码器的部分先隐藏起来
Transformer的Encoder给与Decoder的为什么是K、V矩阵
- 首先此处的Attention并不是自注意力，由于K、V同源，但是Q与K、V不同源，所以不能做自注意力
- Q是查询变量，即已经生成的词，K=V是源语句，
- 因此当我们要生成这个词的时候，通过Q和K、V做注意力，就能确定源语句中哪些词对将要生成的词更有作用
- 相反，如果Encoder给Decoder的是Q矩阵，那么我们生成的词作为K、V在Q中查询，这相当于用全部信息在部分信息里查询，这做反了。
Transformer的输入输出是什么
- 由于计算机只认识01，所以我们不能将现实世界的东西直接输入进模型，同时模型的输出也不直接是现实世界的东西，需要进行转换，如模型的输入输出为张量
- 机器学习的本质是：wx+b，深度学习的本质是：sigma ( wx+b ) ，即AI的本质是将现实世界的某个东西能映射到空间中的某个点，模型就相当于一个映射机，而训练的过程就是不断修正映射关系
- 在机器翻译中，inputs指现实世界中的语句，而input embedding是将它张量化后的张量，同时由于模型会反向传播来更新参数，所以输入张量可以任选，Word2Vec、ELMO、one-hot、甚至随机初始化也可，只是模型最后训练次数以及训练效果有差异。output probabilities为词典大小的概率向量，如下：
总结
- Transformer解决了以前seq2seq框架的问题，以前用lstm做编码器，再用lstm做解码器，这种方法每一次生成词，都是通过编码器生成的源语句全部信息的词向量，而lstm会有长依赖问题，所以前面的信息会有丢失，而Attention可以重点寻找，这解决了seq2seq框架的问题
参考文献
- 19 Transformer 解码器的两个为什么（为什么做掩码、为什么用编码器-解码器注意力）
