资料
位置编码：https://zhuanlan.zhihu.com/p/454482273
自注意力：https://zhuanlan.zhihu.com/p/455399791
LN：https://zhuanlan.zhihu.com/p/456863215
ResNet：https://zhuanlan.zhihu.com/p/459065530
Subword Tokenization：https://zhuanlan.zhihu.com/p/460678461
长文概述：https://zhuanlan.zhihu.com/p/630356292
缓存和效果的拉扯（MHA、MQA、GQA、MLA）：https://spaces.ac.cn/archives/10091
为什么Pre Norm不如Post Norm？ https://kexue.fm/archives/9009
RoPE：https://zhuanlan.zhihu.com/p/359502624
经典问题：https://github.com/kebijuelun/Awesome-LLM-Learning/blob/main/1.%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80%E7%9F%A5%E8%AF%86/1.Transformer%E5%9F%BA%E7%A1%80.md
位置编码
为什么要位置编码：因为self-attention是无向的。而实际上模型需要知道token之间的距离信息。
位置编码的要求：
（1）能够表示token的绝对位置
（2）序列长度不同时，不同序列中token的相对距离要保持一致
（3）预测阶段，可以表示模型在训练阶段没有见过的句子长度
位置编码的迭代经验、找到一个函数符合以下条件：
（1）有界
（2）连续、且不同
（3）不同位置的向量可以通过线性变换得到
最终Transformer的位置编码的性质：
（1）两个位置编码的点积(dot product)仅取决于偏移量 ，也即两个位置编码的点积可以反应出两个位置编码间的距离。
（2）位置编码的点积是无向的
attention
除以根号dk的原因：
Normalization
常用的标准化方法有Batch Normalization，Layer Normalization，Group Normalization，Instance Normalization等
ICS（Internal Covariate Shift）：前一层的数据分布变化 加大后一层的训练难度。
在BN提出之前，有几种用于解决ICS的常规办法：
（1）采用非饱和激活函数
（2）更小的学习速率
（3）更细致的参数初始化办法
（4）数据白化（whitening）：在每一层输入时增加线性变化，使得输入的特征具有相同的均值和方差，从而去掉特征的相关性。
更优雅的解决方案：BN
训练
BN的缺点无法很好地处理文本数据长度不一的问题。 可能不止是“长短不一”这一个，也可能和数据本身在某一维度分布上的差异性有关（想一下，对不同句子之间的第一个词做BN，求出来的mean和variance几乎是没有意义的）
在图像问题中，LN是指对一整张图片进行标准化处理，即在一张图片所有channel的pixel范围内计算均值和方差。
而在NLP的问题中，LN是指在一个句子的一个token的范围内进行标准化。即 层归一化（Layer Normalization）的对象是同一个样本中一个token的所有维度。
Pre-LN
在残差连接和MHA计算之前进行LN操作。
好处：能和Post-LN达到相同甚至更好的训练结果，同时规避了在训练Post-LN中产生的种种问题
残差网络
normal的引入 解决了 因为 导数的阶乘导致梯度消失或者梯度爆炸。
因为希望通过增加网络深度，来提高非线性拟合能力、使得每一层学到不同的模式。
而网络深度的增加，产生了网络退化的问题。
所以用残差模块来解决。这么设计的 原因是 尽可能让 深层次的网络不比浅层网络表现弱（保证了更多层的神经网络至少能取到更浅的神经网络的最优解）。 类似牵引绳或者KL散度的意思。
恒等映射：深层网络的结果既能学习到极端情况、又能逼近输入。
