一、结构

Transformer 从大的看由 编码器输入、编码器、解码器、解码器输入和解码器输出构成。

编码器中包含了词嵌入信息编码、位置编码、多头注意力、Add&Norm层以及一个全连接层；

解码器中比编码器多了掩码的多头注意力层。

二、模块

2.1 Input Embedding层

单词的 Embedding 有很多种方式可以获取，例如可以采用 Word2Vec、Glove 等算法预训练得到，也可以在 Transformer 中训练得到。

2.2 Position Embedding层

在词嵌入向量上加入了位置信息，可能是在原始序列的相对位置，也可能是绝对位置。

2.3 Multi-head Self-Attention层

Multi-Head self-Attention结构细节https://blog.csdn.net/weixin_54039182/article/details/130520370?spm=1001.2014.3001.5501

2.4 Feed Forward全连接层

全连接层有两层，第一层是一个ReLU函数，第二层是一个普通的线性函数；全连接层输出与X形状一致。

2.5 Add&Norm层

由上面的公式不难看出：Add&Norm接受两个输入相加，一个是处理后的序列向量X，还有一个是X经过多头注意力层或者全连接层的输出，最后再将每层神经元的输出变成均值和方差都一样，这样做的目的是加快收敛。

2.6 Masked Multi-head Self-Attention 模块

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。

还是根据自注意力的公式来进行矩阵计算：

1. Q * K转置

2. 进行softmax

重点来了：需要将矩阵先根据Mask矩阵规定每个单词只能看哪些单词，由此计算注意力。比如说<begin> I love you -> 我爱你中当预测 我 时，就只能看<begin> 和 I 两个单词。

3. 将Mask矩阵与V相乘得到Z，比如第一行Z1是只包含单词1的信息的。

4.最后将多个Z拼接在一起乘一个工具人矩阵就得到了最后结果。输出与X形状一致。

 

 三、过程

3.1 将输入的句子中的每个词编码成一个向量，并加入单词在文本中的位置信息。

最后得到的单词矩阵是N * M的。（N表示有几个单词，M表示单词维度）

3.2 将句子的矩阵表示输入到编码器中，迭代六次，得到与X形状一直的矩阵C。

 

3.3 将句子矩阵C传入到解码器中，在预测第i个词时，根据Mask矩阵mask掉第i+1以及之后的词。

 

Reference：Transformer模型详解（图解最完整版） - 知乎