Transformer总体框架：

1、Encoder

Encoder由 6 层组成，每一层包括两个子层：第一层 multi-head self-attention 层（8个heads），第二层是一个简单的全连接前馈网络。在每个子层后都接了一个残差连接以及归一化

self-attention模块

why？

问题很明显，如果用同样的word2vec，表示词向量，那么下图中的it就是同样的词向量，但是我们代入句子中，明显可知其所代并非相同。这时我们的解决思路就是，词向量是否可以动态变化呢？

how？

Q、K、V是三组需要学习的参数


d_k ：如何理解？dk是K的维度，除以一个根号d因为Q和K相乘之后的数值可能会相差很大，除以根号d可以平衡数据。利于模型收敛。
参考链接：https://blog.csdn.net/m0_51474171/article/details/127714359
https://www.zhihu.com/question/526006602/answer/2666737042

整体流程：

multi-head attention模块

位置编码

位置编码采用正/余弦函数，最后把token embedding和position encoding相加

残差与归一化

随着网络深度增加，网络的表现先是逐渐增加至饱和，然后迅速下降。残差缓解了梯度消失，能够使网络往深的做。采用LN而不使用BN的原因：（1）长短不定（2）同一维度信息相关性不大

Decoder

Decoder同样由 6 层组成，不过在最下面额外多了一个masked mutil-head attetion，每一层包括三个子层：第一层是 masked multi-head self-attention 层，注意其输入仅包含当前位置之前的词语信息，第二层是 multi-head self-attention 层，其输入包含编码器的输出信息（矩阵 K 和矩阵 V ），第三层是全连接前馈网络。每个子层后同样加入了残差连接和归一化。

Decoder的第一层masked multi-head self-attention

Decoder block 的第一个 Multi-Head Attention 采用了 Masked 操作，因为在翻译的过程中是顺序翻译的，即翻译完第 i 个单词，才可以翻译第 i+1 个单词。通过 Masked 操作可以防止第 i 个单词知道 i+1 个单词之后的信息。

输出

根据不同的下游任务，调整输出。

---

参考链接：
1、https://baijiahao.baidu.com/s?id=1651219987457222196&wfr=spider&for=pc
2、https://blog.csdn.net/huangblog/article/details/119640224