Transformer工作原理
一、单头Attention工作原理
单头Attention（Single-Head Attention）：单头注意力是一种注意力机制，它只求一次注意力。在这个过程中，对同样的查询（Q）、键（K）和值（V）求一次注意力，得到一个输出。这种机制允许模型从不同的表示子空间在不同位置关注信息。
Scaled Dot-Product（缩放点积运算）
-
Query、Key和Value矩阵：
-
Query矩阵（Q）：表示当前的关注点或信息需求，用于与Key矩阵进行匹配。
-
Key矩阵（K）：包含输入序列中各个位置的标识信息，用于被Query矩阵查询匹配。
-
Value矩阵（V）：存储了与Key矩阵相对应的实际值或信息内容，当Query与某个Key匹配时，相应的Value将被用来计算输出。
-
点积计算：
-
通过计算Query矩阵和Key矩阵之间的点积（即对应元素相乘后求和），来衡量Query与每个Key之间的相似度或匹配程度。
-
缩放因子：
-
由于点积操作的结果可能非常大，尤其是在输入维度较高的情况下，这可能导致softmax函数在计算注意力权重时进入饱和区。为了避免这个问题，缩放点积注意力引入了一个缩放因子，通常是输入维度的平方根。点积结果除以这个缩放因子，可以使得softmax函数的输入保持在一个合理的范围内。
-
Softmax函数：
-
将缩放后的点积结果输入到softmax函数中，计算每个Key相对于Query的注意力权重。Softmax函数将原始得分转换为概率分布，使得所有Key的注意力权重之和为1。
工作原理：单头Attention通过计算每个token的查询向量与所有token的键向量的点积，并经过softmax归一化得到注意力权重，再将这些权重应用于值向量进行加权求和，从而生成每个token的自注意力输出表示。
-
每个token对应的Query向量与每个token对应的Key向量做点积
对于输入序列中的每个token，我们都有一个对应的查询向量（Query Vector, Q）和键向量（Key Vector, K）。
我们计算每个查询向量与所有键向量的点积。
这个步骤是在所有token之间建立关系，表示每个token对其他token的“关注”程度。
QK向量点积运算
-
将上述点积取softmax（得到0~1之间的值，即为Attention权重） 点积的结果需要经过一个softmax函数，确保所有token的注意力权重之和为1。 softmax函数将点积结果转换为0到1之间的值，这些值表示了每个token相对于其他所有token的注意力权重。
计算Attention权重
-
计算每个token相对于所有其它token的Attention权重（最终构成一个Attention矩阵）
经过softmax处理后的注意力权重构成了一个Attention矩阵。
这个矩阵的每一行对应一个token，每一列也对应一个token，矩阵中的每个元素表示了对应行token对列token的注意力权重。
构成Attention矩阵
-
每个token对应的value向量乘以Attention权重，并相加，得到当前token的Self-Attention value向量
使用这个Attention矩阵来加权输入序列中的值向量（Value Vector, V）。
具体来说，对于每个token，我们将其对应的值向量与Attention矩阵中该token所在行的所有权重相乘，并将结果相加。
这个加权求和的结果就是该token经过自注意力机制处理后的输出表示。
加权求和Value向量
-
将上述操作应用于每个token
上述操作会应用于输入序列中的每个token，从而得到每个token经过自注意力机制处理后的输出表示。
这些输出表示通常会被送入模型的下一个层进行进一步的处理。
应用于每个token
二、多头Attention工作原理
多头Attention（Multi-Head Attention）：多头注意力机制通过并行运行多个Self-Attention层并综合其结果，能够同时捕捉输入序列在不同子空间中的信息，从而增强模型的表达能力。
-
Multi-Head Attention实际上是多个并行的Self-Attention层，每个“头”都独立地学习不同的注意力权重。
-
这些“头”的输出随后被合并（通常是拼接后再通过一个线性层），以产生最终的输出表示。
-
通过这种方式，Multi-Head Attention能够同时关注来自输入序列的不同子空间的信息。
Multi-Head Attention
工作原理：多头Attention将每个头得到向量拼接在一起，最后乘一个线性矩阵，得到 Multi-Head Attention 的输出。
-
输入线性变换：对于输入的Query（查询）、Key（键）和Value（值）向量，首先通过线性变换将它们映射到不同的子空间。这些线性变换的参数是模型需要学习的。
-
分割多头：经过线性变换后，Query、Key和Value向量被分割成多个头。每个头都会独立地进行注意力计算。
-
缩放点积注意力：在每个头内部，使用缩放点积注意力来计算Query和Key之间的注意力分数。这个分数决定了在生成输出时，模型应该关注Value向量的部分。
-
注意力权重应用：将计算出的注意力权重应用于Value向量，得到加权的中间输出。这个过程可以理解为根据注意力权重对输入信息进行筛选和聚焦。
-
拼接和线性变换：将所有头的加权输出拼接在一起，然后通过一个线性变换得到最终的Multi-Head Attention输出。
拼接和线性变换
三、全连接网络工作原理
前馈网络（Feed-Forward Network）：Transformer模型中，前馈网络用于将输入的词向量映射到输出的词向量，以提取更丰富的语义信息。前馈网络通常包括几个线性变换和非线性激活函数，以及一个残差连接和一个层归一化操作。
-
Encoder编码器：
-
Transformer中的编码器部分一共N个相同的编码器层组成。
每个编码器层都有两个子层，即多头自注意力层(Multi-Head Attention)层和前馈神经网络(Feed-Forward Network)。
-
在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为Add&Norm操作。
Encoder（编码器）架构
-
Decoder解码器：
-
Transformer中的解码器部分同样一共N个相同的解码器层组成。
每个解码器层都有三个子层，掩蔽自注意力层(Masked Self-Attention)、Encoder-Decoder注意力层、前馈神经网络(Feed-Forward Network)。
-
同样，在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为Add&Norm操作。
Decoder（解码器）架构
工作原理：Multi-head Attention的输出，经过残差和norm之后进入一个两层全连接网络。
全连接网络