1. Transformer 由来 & 特点

1.1 从NLP领域内诞生

"Transformer"是一种深度学习模型，首次在"Attention is All You Need"这篇论文中被提出，已经成为自然语言处理（NLP）领域的重要基石。这是因为Transformer模型有几个显著的优点：

1. 自注意力机制（Self-Attention）：这是Transformer最核心的概念，也是其最大的特点。通过自注意力机制，模型可以关注输入序列中的所有位置，并为每个位置分配不同的注意力权重。这使得模型能够更好地处理长距离的依赖关系，也就是说，对于句子中距离较远的单词，模型也能有效地捕获其关系。

2. 并行计算：在之前的很多模型中，如RNN（循环神经网络），处理序列数据需要按照时间步顺序进行，这在处理长序列时会非常慢。而Transformer模型可以同时处理所有的输入，这使得它在大规模数据训练中有显著的效率提升。

3. 可扩展性：Transformer模型可以轻松地通过增加层数、隐藏层单元数等来增加模型大小，使其能够处理更复杂的任务。

正因为这些优点，Transformer模型在很多NLP任务上都有出色的表现，包括机器翻译、文本摘要、情感分析等等。后续发展出的BERT、GPT等模型，都是基于Transformer的架构，进一步推动了AI领域的进步。

1.2 计算机视觉 + Transformer

尽管Transformer最初是为处理自然语言处理（NLP）任务设计的，但近年来，它也被广泛应用于计算机视觉（CV）领域，包括图像分类、对象检测、图像分割等任务。

Transformer在视觉领域的应用主要体现在以下两个方面：

1. 图像中的长程依赖：与NLP问题类似，图像中的像素也存在长程依赖性。例如，一幅图像中的某个部分可能会对图像的其他部分产生影响。Transformer的自注意力机制可以捕捉到这些依赖关系。

2. 端到端的全局优化：传统的卷积神经网络（CNN）通常会使用局部的卷积操作来提取图像特征，这些操作不容易捕获全局的图像信息。而Transformer的自注意力机制可以直接处理全局的信息，能实现端到端的全局优化。

其中，一个代表性的视觉Transformer模型是ViT（Vision Transformer）。ViT模型将图像切割为一系列小的patch，然后将这些patch视为序列输入，使用Transformer对其进行编码。这样就可以将全局的图像上下文信息整合到每一个patch的表示中，有助于提升视觉任务的性能。

至今为止，包括ViT在内的一些视觉Transformer模型已经在多个重要的计算机视觉任务中取得了最先进的结果，显示出Transformer架构的巨大潜力和广泛应用性。

必须读：ViT中的Self-Attention

1.3 自注意力机制 Self-Attention

自注意力机制（Self-Attention Mechanism），也被称为自我注意力机制或者只是注意力机制，是Transformer模型的核心部分。自注意力机制的基本思想是在处理序列数据时，不只是关注当前的输入，而是关注整个序列，并且为序列中的每一个元素赋予不同的重要性或权重。

自注意力机制的运作流程如下：

1. 首先，每个输入元素都有三个向量表示：Query（查询），Key（键），Value（值）。这些向量是输入元素经过不同的线性转换（也就是乘以权重矩阵）得到的。

2. 然后，通过计算Query和所有Key的点积，得到每个元素的得分。这个得分反映了当前元素与其他元素的关联程度。更高的得分意味着这两个元素更相关。

3. 接着，将这些得分经过softmax函数转换为概率值，这样所有的得分加起来就为1了。这个概率值就是注意力权重，反映了模型对每个元素的关注程度。

4. 最后，用这些注意力权重去加权求和所有的Value，得到最终的输出。

这样，每个输出都包含了整个序列的信息，而且这个信息的整合是根据每个元素与当前元素的相关性进行的。这使得模型能够捕捉到长距离的依赖关系，并且可以并行处理整个序列，大大提高了效率。这就是自注意力机制的魅力所在，也是Transformer模型能够在很多任务上取得优秀表现的原因。

2. 台大李宏毅：自注意力机制 Self-Attention

这一part是看视频做的笔记，视频可以在B站上找到～

1. 可扩展性强：轻松增加Self-Attention的层数！！
   Seq2Seq模型：
   
2. 自注意力机制核心：vector --> vector 考虑了整个input sequence才产生了每一个output！！！
   
3. 上图中，如何产生每一个output vector？

学习链接：20’25’'起看

Step 1: Find the relevant vectors in a sequence!
找到其它vectors中，哪些vector是对判断a1的label是重要的！

a1和a4有多相关？相关度α计算：使用「计算attention的module」！
下面是 两种常见的【相关度α计算module】

其中，Dot-product （点积）是最常用的，用在了 Transformer 里。
然后使用计算 Dot-product 来计算 attention score（即：关联性）。
下图中经过Dot-product得到的 α1,1 α1,2 … α1,4 就是 α1和α2，α3，α4的关联性！！！

soft-max的作用是：生成「注意力权重」

将这些得分经过softmax函数转换为概率值，这样所有的得分加起来就为1了。这个概率值就是注意力权重，反映了模型对每个元素的关注程度。

Step 2: Extract information based on attention scores!
根据attention score’ (注意力权重)，去抽取重要的information！

并行计算的思想在这也有体现！上图仅展示计算b1的过程，但b1、b2、b3、b4 实际上是平行被计算的，他们是并行的（从矩阵操作的角度看）！在大规模数据中效率也很高！

下面这些图是从矩阵计算的角度来看attention的执行过程～——




总而言之，言而总之，self-attention技术可以归结为 一整串的矩阵乘法：
Multi-Head Attention
指的是多组q，k，v分别做self-attention，在同一个网络里。
特点：

1. 目的：多头注意力的设计允许模型同时在不同的表示子空间（representation subspaces）上学习和获取信息。每个头可以关注输入的不同部分。
2. 定义：在传统的注意力机制中，我们有一个查询(Q), 键(K)和值(V)。对于多头注意力，我们不仅有一套Q、K和V，而是有多套（每个“头”一套）。这意味着模型可以在多个子空间上并行地学习不同的注意力权重。
3. 操作：
   对于每一个头，我们首先通过权重矩阵来线性变换输入的Q、K和V。
   使用变换后的Q、K和V计算注意力权重并得到输出。
   各个头的输出会被拼接起来，并通过另一个线性变换得到最终的多头自注意力输出。
4. 参数共享：每个头都有自己的权重矩阵，但在整个模型的训练过程中，这些权重都是被学习的。这意味着每个头可以学到不同的注意力策略。
5. 优点：通过使用多头，模型可以捕捉到更丰富的信息和更复杂的模式。例如，一个头可能会专注于句子的语法结构，而另一个头可能会专注于句子的语义内容。
6. 实际应用：在NLP任务中，如机器翻译、文本分类等，使用多头自注意力机制的Transformer模型已经成为了一种标准做法。此外，这种结构也已被用于其他领域，如计算机视觉，因为它提供了强大的表征学习能力。（在实际实现中，需要注意如何正确地进行权重共享、如何组合多头输出以及如何调整头的数量来达到最佳的效果。）

Positional Encoding 「位置」
一句话概括，Positional Encoding就是句子中词语相对位置的编码，让Transformer保留词语的位置信息。
似乎在NLP用的多。看：【AI理论学习】对Transformer中Positional Encoding的理解

Self-Attention 在 CV领域的使用（原始idea）：
一张5x10 pixels的图可以看作是一个vector set。因为RGB的三channels图像那就是5x10x3的tensor，其中的每一个pixel就是一个三维的vector。

应用了 Self-Attention 的CV models：DETR，self-attention GAN

CNN其实就是self-Attention的一个特例。 但，数据量少的时候CNN更好用（此时self-attention因弹性大所以容易过拟合），而数据量多的时候self-attention能取得更好的结果！ 参见下图。

此外，Self-Attention取代了RNN！因为干的事情是差不多的，但RNN需要大量的memory，而self-attention能做到“天涯若比邻”！！（如下图所示）

而且，RNN在计算时不是parallel的！它需要从左到右一个一个往下继续计算（看上图可知）。而self-Attention是parallel计算的，可以平行处理所有的输出，效率非常高！工业界已逐渐把RNN架构的产物逐渐改成self-Attention架构了。

3. 台大李宏毅：Transformer

3.1 概述 ｜ Encoder ｜ Decoder

Transformer是一个sequence-to-sequence (Seq2seq) model。也就是input和output都是sequence。而output的sequence，可以是定长的，也可以是和input一样长的，也可能是我们不知道有多长的需要机器自己判别的。

例如：语音辨识，声音讯号–>文本，这个场景下的output就是机器自己决定的。机器翻译同理。

文本 & 声音讯号互转 案例：中文文字---->台语/闽南语 点击精准空降

「硬train一发」指不知道输出是多长的，干脆直接把数据丢进去让seq2seq模型自己来决定输出啥。

Seq2seq模型中，Encoder读入数据，处理后丢给Decoder，由Decoder来决定要输出多少东西。

1. Encoder
Input一排向量，output一个同样长度的向量。
每个Encoder里面可能有好几个blocks，每个block里面可能有好几个layers在干各种事情！

2. Decoder
以语音辨识为例，即声音讯号转文字。

Decoder必须自己决定输出的sequence的长度。

3. Encoder 和 Decoder 之间如何传递数据
各式各样的传递方式。。。

4. 李沐《动手学》：注意力机制 & Transformer框架 & 归一化 Normalization

学习链接🔗：https://zh.d2l.ai/chapter_attention-mechanisms/index.html
https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497

4.1 多头注意力 Multi-Head Attention

看图上的笔记！！！！！！！！！！

4.2 层归一化 Layer Normalization

LN适用于 输入输出序列长度会变的data，所以NLP领域基本都用LN。
而BN常用于CV领域。

4.3 批量归一化 Batch Normalization (2015)

假设总共有30个样本，每5个样本构成一个batch来进行训练！

参考学习链接：（1）5分钟速食 https://www.bilibili.com/video/BV12d4y1f74C/?spm_id_from=333.337.search-card.all.click&vd_source=6b4de80fe82d569d8c1324a8320a624f
（2）台大 李宏毅 讲BN：https://www.bilibili.com/video/BV1bx411V798/?spm_id_from=333.337.search-card.all.click&vd_source=6b4de80fe82d569d8c1324a8320a624f # 真的很会讲 每次听都豁然开朗

BN可以保证网络中间的层，每一层的输入的分布都是类似的。

以下笔记来自 台大李宏毅老师 讲BN的视频：


但是在网络中的hidden layers，都吃上一层输出的结果作为input，而这些数据是否也需要 Feature Scaling？？？


由上图可知：BN不可以在太小的batch上面被很好地应用，因为太小的batch计算得到的两个统计参数并不能很好地代表整个training set。因此，batch_size要足够大！！！

在 Testing stage / Inference时，如何使用 Batch Norm？？？

BN可以提速，但一般不改变模型的精度。

4.4 四种常见的「网络归一化」

4.5 信息传递（编码器 --> 解码器）