引言

此文作者本身对transformer有一些基础的了解,此处主要用于记录一些关于transformer模型的细节部分用于进一步理解其具体的实现机制，输入输出细节，以及一些理解.此文会不定期更新用于记录新学习到的知识.

模型基础架构

原论文架构图

首先给出的是原论文 Attention is all you need中的架构图，我们会在这个篇章部分分列模型pipeline中的各个部件。在最后给出关于这个模型图中没有的细节补充。

Embedding

其使用的是nn.embedding来进行初始化，根据词表里的数量和设置的隐层维度来初始化，可训练。（**TODO：**这里会存在词表的初始化问题，即分词方法，在后续介绍）

Postional Encoding

两种编码方式，learned PE是绝对位置编码，即直接随机初始化一个可训练的参数；Sinusoidal PE为相对位置的三角编码，首先根据位置pos和隐层维度位置i得到embedding值
$$f(pos,i)=sin(\frac{pos}{10000^{\frac{i}{N}}})ifi为奇数elsecos$$

Multi-Head Attention

单头attention 的 Q/K/V 的shape和多头attention 的每个头的Qi/Ki/Vi的大小是不一样的，假如单头attention 的 Q/K/V的参数矩阵WQ/WK/WV的shape分别是[512, 512] (此处假设encoder的输入和输出是一样的shape)，那么多头attention (假设8个头)的每个头的Qi/Ki/Vi的参数矩阵WQi/WKi/WVi大小是[512， 512/8].

LayerNorm

BatchNorm本质是对同一个批次中，每一个数据样本的不同通道求均值方差，通道之间不进行交互，并通过滑动动量平均的方式将批次的均值方差记录下来用于推理。BN相对更适合在数据批次上具有统计意义的问题，其会抹平特征之间的差异，保留样本之间的大小关系。而在NLP任务当中，每个句子内部的特征大小关系才是需要保留的，不同句子之间关联不大，因此抹平样本之间的大小关系更为合适。

Encoder

Encoder一般包含两部分，self-attention和feed-forward。每一层Encoder都有独立的一组权重参数。最后一层Encoder得到的Wk，Wv用于计算Decoder的cross-attention。

Decoder

Decoder一般包含三个部分，self-attention, encoder-decoder-attention和feed-forward。在这里和这里有一些关于Decoder实际部署时的运行细节。

在训练的时候，Decoder通过mask得到ground truth的shift-right的下三角矩阵,对于位置t，其拥有前t-1个时刻的所有信息，之后计算矩阵得到该位置的output，该output和同位置的ground truth计算损失（即teach forcing的方法）。在推理时，通过padding一个一个输入，但只取最后一个时刻的output作为全局的预测结果，因此可能存在非对应位置最优解（即beam search）。

其他

• 编码层解码层堆栈：事实上encoder和decoder是可以进行stack的，原论文图中只展示了一层，其实际实现逻辑是下图。
  
• transformer只能够处理定长输入和定长输出，对于长度不定的数据，通过padding -INF等方法来进行补全，由于softmax的存在这些会约等于0。