一般都是单向量输入，但是如果多向量输入应该如何处理呢？引出自注意力机制
多向量输入可能会有多种输出，如果输入n个向量，输出n个向量表明这是sequence labeling，比如对于一个英文句子，每一个单词都判断是什么词性
输入n个向量，输出1个向量，这是常见的classification问题，也就是分类问题，比如通过语音识别出是哪个人
输入n个向量，不知道会输出多少个向量，这是seq2seq问题，sequence to sequence，比如语音识别，对声音片段分解然后识别什么意思，还有翻译，输入n个中文，不一定会输出n个英文单词
用第一个n输入n输出举例，比如现在有一个英文句子 I saw a saw，我看见了一个锯子，应该分别输出名词、动词、冠词和名词，但是对于同一个单词saw一个输出了动词，第二个却输出名词，这会让人工智能非常疑惑，为什么同一个输入会输出不同的结果，其实是因为没有结合上下文，由此我们可以提出联系上下文，也就是用一个window，假设我们设window的大小为3，判断每一个单词，我们都需要判断它的上一个自身和下一个，这样可以起到一定的作用，但是window具体要开多大又引出了一个问题
我们输入的句子不可能永远都是只有4个单词，输入的句子长短不一，对于短句子，这个window的大小可能合适，但是对于比较长的句子，那么这么窄的window显然效果不会很好，如果我们先从输入中找到长度最长的句子，然后根据它设定window的长度，但是这样也会出现一个问题，那就是window如果设置太大会出现效率比较低的情况，有没有更好的方法能解决这种问题呢？引出正题自注意力机制
还是上述的句子，我们可以让输入的向量经过一个self-attention层输出，这个self-attention对于每一个输入的向量首先得出自身与其他向量的关联性α，又称attention score，具体是怎么得到的呢，我们采用一种dot-product的方式，首先让当前的向量乘一个矩阵，将另外一个矩阵也乘一个矩阵，这两个得出的结果再点积获得α，这种方法也被用于transformer这种模型，下图中的W即为矩阵
通常自身和自身也要计算出关联性
然后再用一个矩阵乘上每一个向量得出v，最后将v和关联性α相乘再相加得出当前这个向量的输出值，这样处理的话，跟当前向量关系比较大的关联性α权重也大，也就贡献比较多
对于每一个向量a1、a2等，我们都需要计算出它相对应的q1、k1和v1，如果我们把a1、a2、a3和a4连起来变成一个矩阵I，然后用矩阵W乘上这个矩阵I就可以得到一个Q的矩阵，这个矩阵其实就是q1、q2、q3和q4连起来，同理我们也同样用矩阵I乘上变成k的矩阵Wk，就可以变成矩阵K，矩阵V同理，如下图
然后考虑如何计算出关联性α矩阵，对于a1要计算所有向量跟他的关联性，其实就是用q1乘上所有向量的k值，我们把k列起来再乘q得出的结果就是关于a1的关联性的一列值，同理在q1的后面带上q2、q3和q4则依次可以得到a2、a3和a4他们的关联性矩阵，最后再用softmax这个方法进行normalization，softmax也可以用其他方法，比如RELU
最后对于每一个向量a的输出b，也就是用各自的v乘上每一个这两个向量的关联性α再相加，其实就是下图的矩阵乘法
回顾整个self-attention自注意力机制，其实就是一直做矩阵乘法，我们整个过程需要学习的只有三个W矩阵，这三个矩阵是输入I相乘得到Q、K和V的矩阵
多头自注意力机制 multi-head self-attention
如果两个向量不止有一种关系，这时我们就需要用multi-head self-attention，也就是多头自注意力机制，也就是对于Q、K、V这三个矩阵我们可以再乘上一个矩阵变成多部分矩阵，比如如果有两个heads，那么我们可以把Q这个矩阵乘上一个矩阵变成q1、q2，W和V同理
其他的操作和上面是一致的，我们只需要对每一部分的Q、K、V做矩阵运算，最后会得出多个结果b，将这多个结果排列起来然后再乘上一个矩阵变成一个结果即可
positional encoding 位置编码
我们可以给每一个ai加上一个ei表明这个更可能是哪个位置，ei是人为设置的，也可以从数据中学习获得
truncated self-attention
设想语音识别的一种情况，对于声音的每20ms我们都作为一段向量，那么1s会有50个向量，而这50个向量将会有一个50x50的关联性矩阵，计算起来将非常的繁琐，如果语音的时间更长，那么将会有更加庞大的矩阵非常难以计算，因为这需要我们有一个非常大的一个memory和比较长的时间
如何解决上述问题呢，答案就是不要看一整段那么长，我们只取跟当前向量相邻的几个向量计算即可，当然这个范围是人为设置的
softmax函数
通常日常生活中我们求最大值都是求得hardmax，也就是固定的，也就是非黑即白，但是在人工智能领域这种方式是不合情理的，比如对于文本分类来说，一篇文章或多或少包含着各种主题信息，我们更期望得到文章对于每个可能的文本类别的概率值（置信度），可以简单理解成属于对应类别的可信度。所以此时用到了soft的概念，Softmax的含义就在于不再唯一的确定某一个最大值，而是为每个输出分类的结果都赋予一个概率值，表示属于每个类别的可能性。
softmax函数的定义如下，也就是对于每一个输入我们都用e的多少次方除以总和的值代表
优点：使用指数形式的Softmax函数能够将差距大的数值距离拉的更大
缺点：值非常大的时侯可能数值溢出
