Transformer用于目标检测的开山之作DETR，论文作者在附录最后放了一段简单的代码便于理解DETR模型。
DETR的backbone用的是resnet-50去掉了最后的AdaptiveAvgPool2d和Linear这两层。
self.backbone = nn.Sequential(*list(resnet50(pretrained=True).children())[:-2])经过一次卷积加上position embedding，输入到transformer，position embedding是直接加和，不是像叠盘子一样的concat。
这里回顾一下transformer
transformer中最重要的attention，这篇文章Attention Is All You Need (Transformer) 论文精读 - 知乎
举了一个简单的例子，去解释attention中的QKV到底是什么含义。 这里
引用上述文章作者的例子：
如果我们有这样姓名和年龄一个数据库
张三：18
李四：22
张伟：19
张三：20如果查询『所有叫张三的人的平均年龄』，Key==“张三”，可以得到Key对应的两个Value，算出（18+20）/2=19。我们把『所有叫张三的人的平均年龄』这句话称为一个查询（Query）
如果有另一个查询Query‘：『所有姓张的人的平均年龄』, Key[0]==“张”，得到三个Value：(18+20+19)/3=19
这样查询很低效，为了高效，将Query，Key转为向量vector。
将姓名（Key）汉字编码为向量
张三：[1, 2, 0]
李四：[0, 0, 2]
张伟：[1, 4, 0]如果一个Quary是查询所有姓张的人的平均年龄，那么Quary可以写成向量 [1, 0, 0]，将Quary向量和Key向量做点积
dot([1, 0, 0], [1, 2, 0]) = 1
dot([1, 0, 0], [1, 2, 0]) = 1
dot([1, 0, 0], [0, 0, 2]) = 0
dot([1, 0, 0], [1, 4, 0]) = 1将结果softmax归一化
softmax([1, 1, 0, 1]) = [1/3, 1/3, 0, 1/3]再将归一化后的结果与Value做点积
dot([1/3, 1/3, 0, 1/3], [18, 20, 22, 19]) = 19就得到了想要的结果。（说句题外话，这样查询感觉跟布隆过滤器Bloom Filter有点相似的感觉，将文字编码成位数组）
这个计算就是Attention is all you need论文里Scaled Dot-Product Attention
在transformer中，query key value关系如下图所示，（reference：The Illustrated Transformer – Jay Alammar – Visualizing machine learning one concept at a time.）
将文字编码为向量x，x与矩阵W相乘，得到q，q与k做点乘，再除8（the square root of the dimension of the key vectors used in the paper – 64），再softmax，再成v，得到z
如果是多头注意力，就会得到多个注意力头的z
在RNN中，是按顺序输入，所以网络是知道每个输入的位置次序，但是transformer不是这样，因此还要加一个positional encoding，告诉网络输入的每个词在句子中的位置
Transformer也使用了和resnet相似的残差连接。
将编码器得到的K，V矩阵输入到解码器
在解码的第一步中，输入K V，得到一个output，而在后续的解码中，将前一部的结果也一起输入解码器。比如第二步中，将第一步的结果 “I”也输入decoder，直到decoder给出 end of sentence为止。
transformer的损失函数，通过交叉熵，使两个分布相同
Output Vocabulary是提前建好的词库，网络输出的是词库中所有词 出现在这个位置的概率。
回到DETR，DETR中叠了6个transformer的encoder和decoder，将transformer输出再分别输入两个Linear，就得到了class和bbox。
