Transformer本质是一种seq2seq结构，那么它一定也有encoder和decoder部分，只是这两个部分不同于以往模型采用的RNN结构，Transformer聪明地开创了另一种新的结构。
以中英文翻译为例，可以看看它的整体结构
可以看到Transformer由6个encoder堆叠而成，6个decoder堆叠而成。
我们再看看每个encoder和decoder具体结构是什么样子。
其中，Nx表示有6个这样的结构。
可以看到每一个encoder有两个子层：多头注意力层和全连接前馈神经网络层。子层的连接使用了LayerNorm和残差连接，可以避免梯度消失和爆炸。
每个decoder有3个子层：带masked的多头自注意力层，多头自注意力层和全连接层神经网络层。
Transformer的大体流程是：
编码器（由6个encoder组成）对一个输入序列的embedding生成一个顺序编码的输出Z，而解码器（由6个decoder组成）根据编码器的输出Z，一次生成一个输出y1,Z和y1同时作为输入生成下一步的y2,最终得到生成序列Y。
第一步：获取输入句子的每一个单词的表示向量X，X由单词的embedding和单词位置的embedding相加得到。
**第二步：**将得到的单词embedding矩阵（如上图所示：我有一只猫，每一行是一个单词的词向量表示x）传入编码器中，经过6个encoder block后可以得到句子所有单词的编码信息矩阵Z，如下图。单词向量矩阵用X（nxd)表示，n是句子中单词个数，d是表示向量的维度（论文中d=512）。每一个encoder block输出的矩阵维度和输出完全一直。
**第三步：**将encoder输出的编码信息矩阵Z传递到解码器中，编码器依次会根据当前翻译过的1~i个单词，翻译下一个单词i+1，如下图所示。在使用的过程中，翻译到单词i+1的时候需要通过MASK（掩盖）操作遮盖住i+1之后的单词。
上图 解码器 接收了 编码器的信息矩阵Z，然后先传入一个翻译开始符 “< Begin >”，预测第一个单词 “I”；然后传入翻译开始符 “< Begin >” 和单词 “I”，预测下一个单词 “have”，以此类推。
这是Transformer使用时候的大致流程，接下来是里面各个部分的细节。
Transformer中单词的输入表示x由单词embedding和位置embedding相加得到。
单词Embedding
单词的Embedding有很多中方式可以获取，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，还需要使用位置的Embedding表示单词出现在句子中的位置。因为Transformer不采用RNN的结构，而是使用了句子全局信息，这样就不能保证单词的顺序信息，而这部分对于语言模型来说非常重要。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。
位置Embedding用PE表示，PE的维度和单词Embedding是一样的。
可以使用某种公式计算得到，公式如下
其中，pos 表示单词在句子中的位置，d 表示 PE 的维度 (与词 Embedding 一样)，i 是每个维度，2i 表示偶数的维度，2i+1 表示奇数维度 (即 2i≤d, 2i+1≤d)。记住 “奇数位：cos，偶数位：sin”
将单词的词Embedding和位置Embedding相加，就可以得到单词的表示向量x，x就是Transformer的输入。
上图是论文中Transformer的内部结构图，左侧为编码器，右侧为解码器，红色圈中的部分为Multi-Head self-Attention,是由多个self-Attention组成。
self-attention
-
如图，self-attention计算过程
-
计算公式
在计算的时候需要用到矩阵Q(查询）K（键值），V（值）。在实际中运用时，self-Attention接收的是输入（单词的表示向量x组成的矩阵X）或者上一个Encoder block输出
而Q，K，V正是通过self-Attention的输入X进行线性变换得到的。如图（批训练的话，向量就变成矩阵了，也可以说成 键矩阵，查询矩阵，值矩阵）
MarMul : 矩阵乘法 即 QK^T scale: 尺度缩放 即 除以 sqrt(d_k) mask: 在Encoder 中没有，只在Decoder中有 softmax：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。
这里要注意：健向量，查询向量，值向量维度一般比Embedding词向量低，在原论文中是输入单词Embedding维度的 1/8，（思考：为什么维度要变成Embedding词向量1/ 8，因为论文刚好建立了 8 个 自注意力机制，每个自注意力机制的 Q, K, V 维度就是（512 / 8), 最后再拼接这 8 个自注意了机制的结果，维度也能回到 512）
-
self-attention值的计算
得到Q，K，V之后
1） Q 乘以 K 的转置后，得到的矩阵行列数都为 n，n 为句子单词数，这个矩阵可以表示单词之间的 attention 强度。下图为 Q 乘以 K 的转置，1234 表示的是句子中的单词。
2）得到 QK^T 之后，使用 Softmax 计算每一个单词对于其他单词的 attention 系数，公式中的 Softmax 是对矩阵的每一行进行 Softmax，即每一行的和都变为 1。
-
得到 Softmax 矩阵之后可以和 V 相乘，得到最终的编码信息输出 Z。
4）上图中 Softmax 矩阵的第 1 行表示单词 1 与其他所有单词的 attention 系数，最终单词 1 的输出 Z1 等于所有单词 i 的值 Vi 根据 attention 系数的比例加在一起得到，如下图所示：
-
Multi-Head
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 Self 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。
从上图可以看到 Multi-Head Attention 包含多个 Self-Attention 层，首先将输入 X 分别传递到 h 个不同的 Self-Attention 中，计算得到 h 个输出矩阵 Z。下图是 h=8 时候的情况，此时会得到 8 个输出矩阵 （Z1,Z2, Z3, Z4, Z5,Z6,Z7,Z8）。
可以先看上图：X是输入的向量表示，维度是[batch_size,seq_len,d]
Batch_size:一个批大小
seq_len:句子长度
d：词向量维度，论中中是512
如果只有一个头：那么 健向量的维度就是[ batch_size, seq_len, 512], 但现在我们有8个头，之前也提到将 Q,K,V维度降到原来的 1/8 ，就是为了这 8 个头 所以8头： 健向量的维度就是[ batch_size, seq_len, 8, 64]
流程如下
得到 8 个输出矩阵 Z1 到 Z8 之后，Multi-Head Attention 将它们拼接在一起 (Concat)，然后传入一个 Linear 层，得到 Multi-Head Attention 最终的输出 Z。
可以看到Multi-Head attention输出的矩阵Z与其输入的矩阵X的维度是一样的。
上图红色部分是Transformer的encoder block结构，可以看到的是由Multi-head Attention,Add & Norm, Feed Forward, Add & Norm 组成的。刚刚已经了解了 Multi-Head Attention 的计算过程，现在了解一下 Add & Norm 和 Feed Forward 部分。
-
add&norm层由add和norm两部分组成，计算公式如下
Add 指 X+MultiHeadAttention(X)，是一种残差连接，通常用于解决多层网络训练的问题，可以让网络只关注当前差异的部分，在 ResNet 中经常用到。
-
残差连接
残差连接简单说就是：计算几层输出之后再把x加进来。都说残差网络有效的解决了梯度消失的问题，解决了网络退化的问题。下面是简化图：
-
Norm 指 Layer Normalization，通常用于 RNN 结构，Layer Normalization 会将每一层神经元的输入都转成均值方差都一样的，这样可以加快收敛。
Feed forward层比较简单，是一个两层的全连接层，第一层的激活函数为Relu，第二层不使用激活函数，对应当公式如下。
X是输入，Feed Forward最终得到的输出矩阵的维度与X一直。
- 通过上面描述的 Multi-Head Attention, Feed Forward, Add & Norm 就可以构造出一个 Encoder block，Encoder block 接收输入矩阵 X(n×d)，并输出一个矩阵 O(n×d)。通过多个 Encoder block 叠加就可以组成 编码器。
- 第一个 Encoder block 的输入为句子单词的表示向量矩阵，后续 Encoder block 的输入是前一个 Encoder block 的输出，最后一个 Encoder block 输出的矩阵就是 编码信息矩阵Z，这一矩阵后续会用到 Decoder 中。
上面红色部分为Transformer的Decoder block结构，与Encoder block相似，但是存在一些区别：
- 包含两个Multi-Head attention层。
- 第一个multi-head attention层采用了masked操作
- 第二个multi-head Attention层的K，V矩阵使用encoder编码信息矩阵Z进行计算（encoder是使用输入X或前一个encoder的输出），而Q使用上一个decoder的输出进行计算。（如果是第一个decoder则使用输入矩阵X进行计算）
- 最后有一个softmax层计算下一个翻译单词的概率
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。
下面以 “我有一只猫” 翻译成 “I have a cat” 为例，了解一下 Masked 操作。
训练过程
Decoder在训练的过程中使用Teacher Forcing进行训练，即将正确的单词序列 ( < Begin > I have a cat) 和对应输出 (I have a cat < end >) 传递到 Decoder中。那么在预测第 i 个输出时，就要将第 i+1 之后的单词掩盖住。
下面用 0 1 2 3 4 5 分别表示 “< Begin > I have a cat < end >”。
第一步：是 Decoder 的输入矩阵和 Mask 矩阵，输入矩阵包含 “< Begin > I have a cat” (0, 1, 2, 3, 4) 五个单词的表示向量，Mask 是一个 5×5 的矩阵。在 Mask 可以发现单词 0 只能使用单词 0 的信息，而单词 1 可以使用单词 0, 1 的信息，即只能使用之前的信息
第二步：接下来的操作和之前的 Self-Attention 一样，通过输入矩阵 X 计算得到 Q, K, V 矩阵。然后计算 Q 和 KT 的乘积 QK^T。
第三步：在得到 QK^T 之后需要进行 Softmax，计算 attention score, 但我们在 Softmax 之前需要使用 Mask 矩阵遮挡住每一个单词之后的信息，遮挡操作如下：
得到 Mask QKT 之后在 Mask QK^T 上进行 Softmax，每一行的和都为 1。但是单词 0 在单词 1, 2, 3, 4 上的 attention score 都为 0, 因为它们被遮盖住了，不需要关注。
第四步：使用 Mask QK^T 与矩阵 V 相乘，得到输出 Z，则单词 1 的输出向量 Z1 是包含单词 0, 单词1 信息的
第五步：通过上述步骤就可以得到一个 Mask Self-Attention 的输出矩阵 Zi，然后和 Encoder 类似，通过 多头 拼接多个输出Zi 然后计算得到第一个 Multi-Head Attention 的输出 Z，Z与输入 X 维度一样。
Decoder block 第二个 Multi-Head Attention 变化不大， 主要的区别在于其中 Self-Attention 的 K, V 矩阵不是使用 上一个 Decoder block 的输出计算的，而是使用 Encoder 的编码信息矩阵 Z 计算的。 根据 Encoder 的输出 Z 计算得到 K, V，根据上一个 Decoder block 的输出 计算 Q (如果是第一个 Decoder block 则使用输入矩阵 X 进行计算)，后续的计算方法与之前描述的一致。 这样做的好处是在 Decoder 的时候，每一位单词都可以利用到 Encoder 所有单词的信息 (这些信息无需 Mask)。 这就是 Decoder block 的定义，与 Encoder 一样，Decoder 是由多个 Decoder block 组合而成
Transformer 与 RNN 不同，可以比较好地并行训练。 Transformer 本身是不能利用单词的顺序信息的，因此需要在输入中添加位置 Embedding，否则 Transformer 就是一个词袋模型了。 Transformer 的重点是 Self-Attention 结构，其中用到的 Q, K, V 矩阵通过输入进行线性变换得到。 Transformer 中 Multi-Head Attention 中有多个 Self-Attention，可以捕获单词之间多种维度上的相关系数 attention score。
https://blog.csdn.net/weixin_46425692/article/details/108918850