一、传统RNN存在的问题
1.序列前序太长，每个xi要记住前面的特征，而且一直在学，没有忘记，可能特征不能学的太好
2.串行，层越多越慢，难以堆叠很多层；
3.只能看到过去，不能看到未来
搞个双向的，然后把两个方向学到的特征拼接，那么对于xi影响最大的是xi-1和xi+1吗？是相邻的两个吗，不一定，所以也不太合理
二、重大事件
1.2017年 attention is all your need 出现，RNN退出历史舞台
2.2018 年 transformer 更空出世，bert 和GPT1
transformer究竟是干什么的？通俗上说就是：1是平淡无奇的特征，2是特征鲜明的特征，transformer的功能就是把1输入进去，然后输出2.
没有transformer之前的算法 训练模型就是训练参数，更新参数，但是transformer不仅更新参数，还可以根据上下文信息更新数据，transformer站的高看的远，考虑全文
三. self-attention
假设x1,x2是两个向量，它们两个的关系就是算内积 ，x1.x2=0表示没关系，x1.x2=表示关系特别大。
transformer中 不是简单算内积，而是构建三个向量参数 q,k,v，q相当于问，k相当于答，比如词 thing ,mathines编码后的特征是x1,x2,则x1和x1的关系是 q1.k1，x1和x1的关系是 q1.k2，x2和x2的关系是 q2.k2，x2于x1的关系是 q2.k1，怎么得到q,k,v呢？
q,k,v都是需要设计一个wx+b（w,b都是先初始化，再通过训练更新）的矩阵，通过和向量矩阵x1x2 全连接 计算得来的。参数值是通过训练得到的。transformer本质就是提特征。最后得到w,b,q,k,v ,怎么得到v呢？
value 表示自身特征，表示对自身的认知。也是需要学习的，输出attention value
向量维度越大，得到内积就越大，这是不合适的，需要排除特征维度的影响。所以要归一化，将值变成概率，dk是特征的维度。
比如想得到500维的特征向量，那就可以分5个头，也就是5组q,k,v，最后拼接，就可以得到更丰富的特征。
此例子中，我打你 ，你打我，两句话中的词 的特征是不变的，也就是说transformer对位置特征不敏感，所以需要加入位置信息
加入one-hot的位置编码，特征与对应位置的编码做加法就可以了
可以堆叠多层self-attention吗？可以模仿15年出世的resnet残差结构来实现，因为每一次的self-attention的输入和输出维度都一样，所以可以堆叠多层。
self-attention相当于encoder层，会得到每一个词的特征，那输出就是要利用这个学出来的特征去做事，比如翻译，就是decoder层了。左边的encoder部分每个词都通过self-attention学到了特征，右边decoder部分每一个词要提供q, encoder提供k,v ,q1k1=v1,q1k2=v2,q1k3=v3,q1k4=v4, 这就是cross-attention,decoder需要self-attention吗？要，只不过是只需要算后面和前面的关系，即算q2和q1的关系，不需要算q1和q2的关系，因为算去q1的时候，还没有q2呢，只能从后往前看，不能从前往后看，所以加入MASK机制遮挡后面看不到的
input: 输入一个词
input Embedding ：词嵌入，即把词变成一个特征向量
norm：BN,批处理
add:残差链接
feed forward: 全连接 linear 也是全连接
注意：decoder部分 既有self-attention,又有cross-attention
多模态就是要学习各种特征，实际上就是cross- attention
bert ： 自监督 ，随机遮挡15%的词，然后预测这些词
