self-attention

其实就是三个矩阵， $W_q$、$W_k$、$W_v$，这三个矩阵就是需要训练的参数。分别得到每个token对应的$q$ $k$ $v$，其中$q$ $k$ 用来计算每个token之间的相似度，这里一般称为attention scores，然后通过一个Soft-max作一个norm。

拿到attention scores以后呢，既然已经知道了token的之间的“关联性”，再分别和$v$作一个简单的加权求和，最后得到attention以后的输出$b$

值得注意的是，上述操作是可以通过矩阵表示的，如下所示

multihead-attention

其实就是把前面一小节得到的$q$ $k$ $v$ 作一个拆分，每一个都拆成$n$份，其中$n$是head的数量。在$q$ $k$ $v$的第$i$个head中，都只与对应head作计算，然后将结果拼接起来就好。

encoder

encoder输入还会考虑一个位置编码，一起嵌入到Embedding表示后的token中。

整个计算过程也很直观

decoder

这里有一个很关键的点是，在encoder中只有self-attention，因为是一次性输入所有的token，计算每个token之间的关联性，得到一个编码后的输出。但是decoder是一个一个输入，每输入一个产生一个输出，虽然说这一步也可以用矩阵并行计算，其原理就是masked-attention。计算$b^1$的时候，我们只考虑$a^1$，计算$b^2$的时候，我们考虑$a^1$和$a^2$，依此类推。实现原理其实就是一个mask矩阵。

值得注意的是，在decoder中mask-attention后的输出，还会和encoder的输出再作一次attention，这被称为cross-attention。self-attention是同一个序列计算得分，而cross-attention是两个不同序列计算得分。

总结一下，encoder输入src序列，docoder输入target序列，最后将decoder的输出和target序列作一个cross entropy，优化的目标就是两个分布越接近越好。其实这一步可以看成一个分类，而类别就是词汇表的单词的总数？