对Transformer生动形象的比喻

Transformer包括了Encoder和Decoder，在知乎上看到了对两个部分关系的一种理解，非常有趣。即，“一个人学习跳舞，Encoder是看别人是如何跳舞的，Decoder是将学习到的经验和记忆，展现出来。”

Transformer编码器的学习

Encoder的总概

以下是Transformer的内部结构图，左侧为 Encoder block，右侧为 Decoder block，红色圈中的部分为 Multi-Head Attention，是由多个 Self-Attention组成。Multi-Head Attention 上方还包括一个 Add & Norm 层，Add 表示残差连接 (Residual Connection) 用于防止网络退化，Norm 表示 Layer Normalization，用于对每一层的激活值进行归一化。

Multi-Head Attention 以及 Self-Attention机制

在框架图中， Self-Attention是 Transformer 的重点，所以重点关注 Multi-Head Attention 以及 Self-Attention。

上图是 Self-Attention 的结构，在计算的时候需要用到矩阵 Q(查询), K(键值), V(值)。得到矩阵 Q, K, V之后就可以计算出 Self-Attention 的输出了，计算的公式如下。

公式中计算矩阵 Q和 K 每一行向量的内积，为了防止内积过大，因此除以 dk 的平方根。使用 Softmax 计算 attention 系数，得到 Softmax 矩阵之后可以和 V相乘

Multi-Head Attention 是由多个 Self-Attention 组合形成的，如下图所示

Add & Norm 层

在完成Transformer较为核心的多头注意力计算过程之后，进入下一步，即Add & Norm 层，它由 Add 和 Norm 两部分组成

Add指 X+MultiHeadAttention(X)，是一种残差连接，通常用于解决多层网络训练的问题，可以让网络只关注当前差异的部分，在 ResNet 中经常用到

Norm指 Layer Normalization，通常用于 RNN 结构，Layer Normalization 会将每一层神经元的输入都转成均值方差都一样的，这样可以加快收敛

Feed Forward层

然后，经过Feed Forward层，由一个两层的全连接层组成，第一层的激活函数为 ReLU，第二层不使用激活函数

通过上面描述的 Multi-Head Attention, Feed Forward, Add & Norm 就可以构造出一个 Encoder block

（内容持续更新ing）

上述内容借鉴自：

1、Transformer 模型详解

2、transformer的细节到底是怎么样的？Transformer 连环18问！