最近我在看论文时，发现很多都在用 Transformer 模型，我知道transformer很有名，但是我也只是听说过他的大名，不知道他具体是做什么怎么做的，因此我决定深入了解一下，并做个简单记录，方便以后参考。 
Transformer 主要用于处理自然语言处理（NLP）任务。与之前的循环神经网络（RNN）和长短时记忆网络（LSTM）等模型不同，Transformer 最主要的模块是使用了注意力机制，而不需要顺序地处理数据，也就是说不依赖时间或序列顺序。transformer的核心功能是处理序列数据，就是处理输入的数据和输出的数据之间的关系，像我自己看的那篇论文，是推荐系统方向的，输入的数据是庞大的用户行为数据，经过整个模型处理，输出的数据就是精确的用户可能点击的数据，提高用户可能点击的概率。
Transformer 由以下几个部分组成：
- 自注意力机制： 这一机制让模型在处理每个词语时，能够参考序列中的其他所有词。比如在翻译时，句子中的某个词可能会依赖其他几个词，这种机制让模型可以全局地理解上下文，从而捕捉长距离依赖关系，比如在最近很火的gpt文本生成中，一句话中各个单词的远近可能对当前词有影响。
- 多头注意力： 这是对自注意力机制的并行化处理，让模型从不同角度（即多个“头”）来理解输入序列。每个“头”可以独立学习不同的信息关联，进一步提升模型的表达能力，使得它能够捕捉到句子中 不同的部分。
- 位置编码： 由于 Transformer 不是按顺序处理数据的，它通过位置编码引入词语的位置信息，确保模型能理解词与词之间的顺序关系。就像你阅读一句话时，不仅要知道每个词的含义，还要知道它们在句中的顺序，这样才能明白句子的意思。
Transformer的编码器与解码器
在 NLP 任务中，编码器负责将输入数据转化为一种计算机能够看懂的代码，而解码器则根据这个表示生成输出。Transformer 的编码器由 6 层相同的堆栈组成，每层包含两个子层：多头自注意力机制和一个前馈网络。主要是对输入的序列进行编码，提取出表示序列各个部分的向量。
解码器也有类似的结构，但它比编码器多了一个子层，这个额外的子层用来处理编码器的输出。另外，解码器中的自注意力机制经过调整，只允许每个位置关注之前已生成的内容，确保生成顺序合理，输出新的输出序列。
Attention ( Q , K , V ) = softmax ( Q K T d k ) V \operatorname{Attention}(Q, K, V)=\operatorname{softmax}\left(\frac{Q K^{T}}{\sqrt{d_{k}}}\right) V Attention(Q,K,V)=softmax(dkQKT)V
在深度学习领域，特别是注意力机制的应用中，点积计算、缩放、softmax变换以及加权求和是实现自注意力或注意力层的核心步骤。通过这些步骤，注意力机制能够有效地捕捉序列数据中的长距离依赖关系，大大增强了模型理解和生成复杂语言结构的能力，是现代自然语言处理模型如Transformer架构中的关键组件。
M u l t i H e a d ( Q , K , V ) = C o n c a t ( h e a d 1 , . . . , h e a d h ) W O MultiHead(Q,K,V)=Concat(head_1,...,head_h)W^O MultiHead(Q,K,V)=Concat(head1,...,headh)WO
w h e r e h e a d i = A t t e n t i o n ( Q W i Q , K W i K , V W i … … V ) where head_i = Attention(QW_i^Q,KW_i^K,VW_i……V) whereheadi=Attention(QWiQ,KWiK,VWi……V)
论文接下来详细的介绍了transformer是如何工作的：
第一步：线性变换
对于输入的查询Q、键K和值V，我们使用不同的线性变换矩阵
W i Q 、 W i K 和 W i V W_i^Q、W_i^K和W_i^V WiQ、WiK和WiV
，将它们分别隐射到h个不同的子空间。每一个注意力投都有自己专用的一组权重矩阵。
Q i = Q W i Q , K i = K W i K , V i = V W i V Q_i=QW_i^Q,K_i=KW_i^K,V_i=VW_i^V Qi=QWiQ,Ki=KWiK,Vi=VWiV
第二步：独立计算每个注意力投的输出
对于每一个注意力i，计算缩放点积注意力：
h e a d i = A t t e n t i o n ( Q i , K i , V i ) = s o f t m a x ( Q K T d k ) V i head_i=Attention(Q_i,K_i,V_i) = softmax(\frac{Q K^{T}}{\sqrt{d_{k}}})V_i headi=Attention(Qi,Ki,Vi)=softmax(dkQKT)Vi
第三部：连接所有注意力头的输出
将所有注意力头的输出 h e a d 1 , h e a d 2 , . . . , h e a d h head_1,head_2,...,head_h head1,head2,...,headh进行拼接（Concat），得到一个大矩阵：
C o n c a t ( h e a d 1 , h e a d 2 , . . . , h e a d h ) Concat(head_1,head_2,...,head_h) Concat(head1,head2,...,headh)
第四步：线性变换输出
对拼接后的结果进行一次线性变换，得到最终的多头注意力输出：
M u l t i H e a d ( Q , K , V ) = C o n c a t ( h e a d 1 , . . . , h e a d h ) W O MultiHead(Q,K,V)=Concat(head_1,...,head_h)W^O MultiHead(Q,K,V)=Concat(head1,...,headh)WO
除了注意力机制，Transformer 的每一层还包含一个前馈网络神经网络，通常由两次线性变换和中间的 ReLU 激活函数组成。
F F N ( x ) = m a x ( 0 , s W 1 + b 1 ) W 2 + b 2 FFN(x)=max(0,sW_1+b1)W_2+b_2 FFN(x)=max(0,sW1+b1)W2+b2
多头注意力的计算是将查询、键和值分别线性变换到多个子空间中，然后独立计算每个子空间的注意力分布，最后将所有头的输出拼接起来，进行线性变换，得到最终的结果。这让模型可以并行地关注输入序列中的不同部分，提升了处理能力。
transformer广泛的应用于序列到序列的任务中，具有高效的并行计算能力和捕捉长距离依赖关系的能力。