- 基于encoder-decoder架构来处理序列对
- 跟使用注意力的seq2seq不同，transformer是纯基于注意力
-
对同一key，value，query，希望抽取不同的信息
- 例如短距离关系和长距离关系
-
多头注意力使用h个独立的注意力池化
-
合并各个头（head）输出得到最终输出
-
-
-
数学表达式
- 解码器对序列中一个元素输出的时候，不应该考虑该元素之后的元素
- 可以用掩码来实现
- 也就是计算$x_i$输出的时候，假装当前序列长度为i
- 将输入形状变化（b,n,d）变换成（bn，d）；输出形状由（bn，d）变成（b，n，d）
- 作用两个全连接层
- 等价于两层核窗口为1的一维卷积层（全连接）
- 批量归一化对每个特征/通道里元素进行归一化
- 不适合序列长度会变的nlp应用
- 层归一化对每个样本里面的元素进行归一化（ layer norm ）
- 将编码器输出作为解码中第i个transformer块中多头注意力的key和value
- query来自目标序列
- 意味着编码器和解码器中块的个数，输出维度都是一样的
- 预测第t+1个输出时
- 解码器中输入前t个预测值（顺序）
- 在自注意力中，前t个预测值作为key和value，第t个预测值还作为query
- transformer是一个纯使用注意力的encoder-decoder
- 编码器和解码器都有n个transformer块
- 每个块里面使用多头注意力，基于位置的前馈网络，层归一化
- 多头注意力，concat和相加取平均怎么选择？
- 老师认为concat保留的信息更全面，更好
- 为什么在获取词向量之后，需要对词向量进行缩放（乘以embedding size的开方之后再加上PE）
- embedding之后，向量长度变长，元素值变小，乘以之后可以保证在-1，1之间，和position大小差不多
- num of head是什么？
- 类似卷积的多通道，多个attention关注的是不同的特征