Transformer

注意力机制背景：朴素的Seq2Seq模型中，由于用Encoder RNN的最后一个神经元的隐状态作为Decoder RNN的初始隐状态，导致Encoder的最后一个隐状态（Context Vector）承载了源句子的所有信息，成为整个模型的“信息”瓶颈。

Seq2Seq

注意力机制目标：帮助模型在处理序列数据时能够关注到输入序列中最重要的部分，允许模型动态地分配不同的权重给输入序列中的不同位置，从而实现对信息的有效筛选和整合。注意力机制就是希望打破长序列信息瓶颈，解决长序列信息丢失问题。

注意力机制目标

Transformer注意力机制：嵌入向量作为输入传递给Transformer的Attention模块时，Attention模块会通过Q、K、V计算注意力权重，从而分析这些向量，使得Embedding向量间能够相互"交流"并根据彼此信息更新自身的值。

注意力机制案例：在处理包含“model”一词的句子时，它通过分析句子中的其他单词（如“machine learning”或“fashion”），计算这些单词与“model”之间的语义关系权重，并据此更新“model”的嵌入向量，以更准确地反映其在当前上下文中的含义。

注意力机制案例

注意力机制计算公式：在注意力机制中，Q（Query）、K（Key）、V（Value）通过映射矩阵得到相应的向量，通过计算Q与K的点积相似度并经过softmax归一化得到权重，最后使用这些权重对V进行加权求和得到输出。

注意力机制计算公式

注意力机制计算Q、K、V：对于输入序列的每个单词，通过计算其Query与所有单词Key的点积得到注意力分数，经Softmax归一化后得到注意力权重，再用这些权重对Value向量进行加权求和，以得到包含丰富上下文信息的新单词表示。

• 生成Q、K、V向量：对于输入序列中的每个单词，都会生成对应的Query（查询）、Key（键）和Value（值）向量。这些向量通常是通过将单词的嵌入向量（Embedding Vector）输入到一个线性变换层得到的。

• 计算Q、K的点积（注意力分数）：计算Query向量与序列中所有单词的Key向量之间的点积，得到一个分数。这个分数反映了Query向量与每个Key向量之间的相似度，即每个单词与当前位置单词的关联程度。

• Softmax函数归一化（注意力权重）：这些分数会经过一个Softmax函数进行归一化，得到每个单词的注意力权重。这些权重表示了在理解当前单词时，应该给予序列中其他单词多大的关注。

• 注意力权重加权求和（加权和向量）：这些注意力权重与对应的Value向量进行加权求和，得到一个加权和向量。这个加权和向量会被用作当前单词的新表示，包含了更丰富的上下文信息。

Transformer注意力层：在Transformer架构中，有3种不同的注意力层：Self Attention自注意力、Cross Attention 交叉注意力、Causal Attention因果注意力。

Transformer注意力层

编码器中的自注意力层：在自注意力层中，所有的键、值和查询都来自同一个地方，即编码器前一层的输出。编码器中的每个位置都可以关注编码器前一层中的所有位置。

编码器输入序列通过Multi-Head Self Attention（多头自注意力）计算注意力权重。

编码器的Self Attention

解码器中的交叉注意力层：查询来自前一层解码器，而记忆键和值则来自编码器的输出。这使得解码器中的每个位置都能关注输入序列中的所有位置。

编码器-解码器两个序列通过Multi-Head Cross Attention（多头交叉注意力）进行注意力转移。

解码器的Causal Attention