1. RNN存在的问题
- RNN对并行计算并不友好，下一输出依赖于上一输入，难以实现并行高效计算
- RNN相比较与self-attension模块，缺少对部分变量权重的预估，输出的数据默认拥有一致的权重
2. self-attension
self-attension是干嘛的？是为了弥补word2vec的不足，word2vec是采用统一的模式获取每个次的信息，使用的过程中忽略了在不同上下文的重要性，不同的词在不同的上下文中具有不同的重要性，但word2vec做的不好，所以使用self-attension，self-attension针对不同的上下文都做相应的计算，更灵活的获取了上下文信息。
需要三个训练矩阵， Q , K , V Q,K,V Q,K,V分别对应" query,要去查询的；key,等待被查的；value,实际特征信息"
- Q Q Q和 K K K的内积表示有多匹配（内积相当于投影，相关性越大，内积越大）
- 注意图中的 d k \boxed{\sqrt{d_{k}}} dk，为了保证维度不会影响分支，做了一个归一化
3. multi-headed多头机制
上面说到，一组 Q , K , V Q,K,V Q,K,V可以编码除一个 Z Z Z，尝试使用多组 Q , K , V Q,K,V Q,K,V生成多组 Z Z Z再做融合降维（参考卷积中的多卷积核），融合可以使用全连接的方式
最终的流程：一组 Q , K , V Q,K,V Q,K,V是有半部分图片中的一片，多组是多片，然后concat后利用全连接行程最终的Multi-Head Attension
4. 其他
- 上面说到，每个词都会考虑全局做编码，这就导致这个词不管在句子中的哪个位置，最终的编码结果都是一样的，这有悖于我们的认知，所以需要添加位置编码信息。对位置进行编码的方式有多种。
- LayerNormalization是针对每一层进行归一化，BN是在channel方向进行的归一化，而LN是在单channel方向进行的归一化。
- nask机制，在deconder解码的过程中，还需要将已经预测过的序列再次加入到模型中，针对当前的预测词，使用mask遮住
- bert的理解，bert就是tranformer中的encoder模块的功能，他不需要标签数据，而是使用mask方法，就是遮住部分输入再预测被遮住的部分，还有就是通过预测两个句子是否在一起。
5. 整体架构
总体思路就是：[ 编码（QKV+Pose）+输出（编码）] + 解码 + 输出，总体见下图（图源水印）
