这篇博文主要结合个人理解和思考，通过整理和自己的解释列出关于Transformer的部分重要问题（持续更新），看完后会对Transformer有个更好的理解。

如果没有接触过Transformer，我建议你先看一下：深入浅出理解Transformer及其pytorch源码（零基础理解为什么是Transformer？什么是Transformer？）

1、什么是自注意力self-attention？

自注意力机制，是一种通过自身和自身相关联的attention机制，从而得到一个更好的 representation 来表达自身。

不严谨的说，自注意力机制就是利用 $x_i$ 之间两两相关性作为权重的一种加权平均将每一个 $x_i$映射到 $z_i$，比如 $x_1$和 $x_2$表示“Thinking”和“Machines”的embedding。此时可以说 $x_1$和 $x_2$都只表示自己的word，没有考虑局部依赖关系。自注意力机制首先计算了 $x_1$与 $x_1$、 $x_1$和 $x_2$之间的相关性，记为 $α_1$和 $α_2$， $z_1= α_1*x_1+α_2*x_2$ ，通过这样加权平均方式得到的 $z_1$ 来表示“Thinking”。

2、Transformer为什么需要进行Multi-head Attention?

引入Self Attention后会更容易捕获句子中长距离的相互依赖的特征，Multi-head Attention是多层次的self-attention，多头的注意力有助于网络捕捉到更丰富的特征/信息(类比 CNN 中同时使用多个卷积核)。

在self-attention中，Q=K=V，序列中的每个单词(token)和该序列中其余单词(token)进行attention计算。self-attention的特点在于无视词(token)之间的距离直接计算依赖关系，从而能够学习到序列的内部结构，实现起来也比较简单

3、self-attention为什么要使用Q、K、V？

Query，Key，Value的概念取自于信息检索系统，Q表示的就是与我这个单词相匹配的单词的属性，K就表示我这个单词的本身的属性，V表示的是我这个单词的包含的信息本身。

Attention机制中的Q,K,V即是，我们对当前的Query和所有的Key计算相似度，将这个相似度值通过Softmax层进行得到一组权重，根据这组权重与对应Value的乘积求和得到Attention下的Value值。

实验发现self-attention使用Q、K、V，这样三个参数独立，模型的表达能力和灵活性很好。

3、为什么Q、K、V代表了注意力？

V是表示输入特征的向量，Q、K是计算Attention权重的特征向量。它们都是由输入特征得到的。Attention(Q,K,V)是根据关注程度对V乘以相应权重

你有一个问题Q，然后去搜索引擎里面搜，搜索引擎里面有好多文章，每个文章V有一个能代表其正文内容的标题K，然后搜索引擎用你的问题Q和那些文章V的标题K进行一个匹配，看看相关度（QK —>attention值），然后你想用这些检索到的不同相关度的文章V来表示你的问题，就用这些相关度将检索的文章V做一个加权和，那么你就得到了一个新的Q’，这个Q’融合了相关性强的文章V更多信息，而融合了相关性弱的文章V较少的信息。这就是注意力机制，注意力度不同，重点关注（权值大）与你想要的东西相关性强的部分，稍微关注（权值小）相关性弱的部分。

4、Q、K、V是怎么得到的

Q、K、V都源于输入特征本身，是根据输入特征产生的向量。
举个例子：当我们打游戏出现打野来上被他反杀这种现象时，我们的第一反应是：在self-attention中，我们能否通过语言理解去做到，这个他指的是上单还是打野？

那么在Self-Attention中的做法是：
1、根据这个句子得到打野、上、他的embedding，在下图表示为e1,e2,e3。
2、将e通过不同的线性变换形成Q、K、V，他们都只是我们原本的序列e做了不同的线性变换之后的结果，都可以作为X的代表。
3、根据Q3分别与K1、K2做运算，计算相似程度即Attention值。得到 $A_{13}$、 $A_{23}$
4、 $AttentionV_3$=( $A_{13}$+ $A_{23}$+1)× $V_3$,Attention $V_3$向量中就包含了：他更可能指代上单，而不是打野。

下面是另一种理解：
下图是self-attention过程：若需要计算a2的注意力，首先将q2与所有k（包括自己的）相乘，然后得到权重α，权重算softmax后去乘以所有的v，加起来得到最终的b。
其实这图横过来看可以看成神经网络，而q与k相乘就是算权重，输入为a2，输出为b2。

但是简单将单词编码成a的话，会缺失一个位置信息，导致每个a之间相当，于是便加入了positional encoding。

5、多头是什么意思？

在4中我们说到，e通过不同的线性变换形成Q、K、V，一个注意力头就是说一套线性变换的矩阵（ $W^Q$、 $W^K$、 $W^V$），多个注意力头就是多套线性变换（ $W_0^Q$、 $W_0^K$、 $W_0^V$）、（ $W_1^Q$、 $W_1^K$、 $W_1^V$）、（ $W_2^Q$、 $W_2^K$、 $W_2^V$）…了，多套之间线性变换的参数W是不一样的，对于输入矩阵X，每一套Q、K、V都可以得到一个输出矩阵Z，最后将他们拼接起来就好了。

多头类似于CNN的多个卷积核。通过三个线性层的映射，不同头中的Q、K、V是不一样的，而这三个线性层的权重是先初始化后续通过学习得到的。不同的权重可以捕捉到序列中不同的相关性。

多头自注意力层的作用是将原始文本序列信息做整合，转换后的文本序列中每个字符都与整个文本序列的信息相关（这也是Transformer中最创新的思想，尽管根据最新的综述研究表明，Transformer的效果非常好其实多头自注意力层并不占据绝大贡献）。

6、Transformer在训练什么？

个人理解Transformer在训练时就是不断的在优化自己的多头注意力层，不断调整输入与输出之间的隐层特征，调整Q、K、V的权重矩阵，使其能够学习到两种语言（如德语到英语，也不仅限于NLP）的复杂映射关系。

7、Q、K矩阵相乘为什么最后要除以√dk?

当 √dk 特别小的时候，其实除不除无所谓。无论编码器还是解码器Q、K矩阵其实本质是一个相同的矩阵。Q、K相乘其实相等于Q乘以Q的转置，这样造成结果会很大或者很小。小了还好说，大的话会使得后续做softmax继续被放大造成梯度消失，不利于梯度反向传播。

8、Transformer如何实现并行化？

Transformer之所以能支持Decoder部分并行化训练，是基于以下两个关键点：

①、teacher force
对于teacher force，是指在每一轮预测时，不使用上一轮预测的输出，而强制使用正确的单词，过这样的方法可以有效的避免因中间预测错误而对后续序列的预测，从而加快训练速度，而Transformer采用这个方法，为并行化训练提供了可能，因为每个时刻的输入不再依赖上一时刻的输出，而是依赖正确的样本，而正确的样本在训练集中已经全量提供了。值得注意的一点是：Decoder的并行化仅在训练阶段，在测试阶段，因为我们没有正确的目标语句，t时刻的输入必然依赖t-1时刻的输出，这时跟之前的seq2seq就没什么区别了。

②、masked self attention

我们在5里说到，多头注意力意味着多组KQV进行self-attention运算，不同于LSTM中的一步步的按部就班的运算，而是KQV的运算可以是同时计算的（这是因为每QKV的线性变换不同，计算互不影响）

注意transformer的运算复杂度，乘法运算不一定比LSTM少，但因为可以进行同步运算，因而可以依靠硬件加速。

multi-head attention 是每一个head都进行了KQV生成以及attention的计算，这些计算是同步实现的，也就是并行实现的，因而可以同时获取不同空间的特征。

9、transformer的位置编码如何表达位置？

根据公式，第t个位置的位置编码为
$\overrightarrow{p_{t}}=\left[\begin{array}{c} \sin \left(\omega_{1} \cdot t\right) \\ \cos \left(\omega_{1} \cdot t\right) \\ \sin \left(\omega_{2} \cdot t\right) \\ \cos \left(\omega_{2} \cdot t\right) \\ \vdots \\ \sin \left(\omega_{d / 2} \cdot t\right) \\ \cos \left(\omega_{d / 2} \cdot t\right) \end{array}\right]_{d \times 1}$
我们将所有位置（句子长度不超过50）和维度表示如下：

其中纵坐标为位置，横坐标为维度，每一行表示的是一个位置的编码信息，如第1行（图表从上往下数）代表的就是句子第一个词的位置信息。
显然，这个是绝对位置编码，即只要位置小于1万，每一个位置的编码都是不同的。

10、transformer的位置编码为什么使用三角函数？

三角函数的周期性能够很好的表示相对位置信息，给定k,存在一个固定的与k相关的线性变换矩阵，从而由pos的位置编码线性变换而得到pos+k的位置编码。（换一句话说：对于任何固定的偏移量k， $p_t$可以表示成 $p_{t+k}$的线性函数。）且使用三角函数表达能使不同长度的句子之间，任何两个时间步之间的距离保持一致。

作为初学者，有些说法可能不太严谨，请大家指正。

有其他疑问请在评论区留言，你提出的问题将对作者和其他人提供很大帮助。

参考文献

1、通俗易懂：Attention中的Q、K、V是什么？怎么得到Q、K、V？

2、关于transformer的几个为什么

3、关于Transformer中常遇到的问题解答