Transformer是一个深度学习模型。主要功能通俗的来说就是翻译。输入，处理，输出。
https://zhuanlan.zhihu.com/p/338817680 大牛写的很完整

总框架

• Encoders: 编码器
• Decoders: 解码器

Encoder和Decoder结构是不同的，6个Encoder是完全相同的，6个Decoder是完全相同的。
这里的6个Encoder完全相同，指的是结构相同但是参数不同。

Encoder

输入部分

Embedding翻译成中文: 嵌入。

输入部分:

• 单词 Embedding（Embedding就是从原始数据提取出来的Feature）
  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。
• 位置 Embedding
  Transformer 中除了单词的 Embedding，还需要使用位置 Embedding 表示单词出现在句子中的位置。因为 Transformer 不采用 RNN 的结构，而是使用全局信息，不能利用单词的顺序信息，而这部分信息对于 NLP 来说非常重要。所以 Transformer 中使用位置 Embedding 保存单词在序列中的相对或绝对位置。

注意力机制

上图是论文中 Transformer 的内部结构图，左侧为 Encoder block，右侧为 Decoder block。红色圈中的部分为 Multi-Head Attention，是由多个 Self-Attention组成的，可以看到 Encoder block 包含一个 Multi-Head Attention，而 Decoder block 包含两个 Multi-Head Attention (其中有一个用到 Masked)。Multi-Head Attention 上方还包括一个 Add & Norm 层，Add 表示残差连接 (Residual Connection) 用于防止网络退化，Norm 表示 Layer Normalization，用于对每一层的激活值进行归一化。

Q, K, V 的计算
Self-Attention 的输入用矩阵X进行表示，则可以使用线性变阵矩阵WQ,WK,WV计算得到Q,K,V。
计算如下图所示，注意 X, Q, K, V 的每一行都表示一个单词。

Self-Attention 的输出

Multi-Head Attention
在上一步，我们已经知道怎么通过 Self-Attention 计算得到输出矩阵 Z，而 Multi-Head Attention 是由多个 Self-Attention 组合形成的，下图是论文中 Multi-Head Attention 的结构图。

残差和LayNorm

Add and Norm
Add表示残差连接(Residual Connection)用于防止网络退化，Norm表示Layer Normalizaion，用于对每一层的激活值进行归一化。

前馈神经网络

Decoder

Encoder的每一个输出和每一个Decoder都做交互。