李宏毅老师讲解的Transformer，非常简单易懂：https://www.youtube.com/watch?

RNN存在的问题是，只有得到t(i)时刻的向量信息才能够计算t(i+1)时刻的向量信息，无法实现并行化。无法实现长序列的特征信息提取，超过一篇文章的训练，train不起来。

self-attention首先利用自身embedding q，所有embedding k乘积得到的是自身embedding与其他embedding 之间的一个对应权重关系，除以根号d是为了解决维度越长特征信息数值越大的问题。对上述得到的对应权重信息进行soft-max，相当于对权重信息进行归一化处理，有利于后面与特征信息乘积的计算。

然后利用所有的对应权重关系与各自的value值相乘再相加，相当于自身embedding 与其他embedding 特征信息进行信息整合，整合后的结果作为当前embedding特征信息进行输出。

multi-head self-attention 相当于增加了多个需要训练的权重信息，相当于多层卷积核同时进行训练，增加训练过程中的特征信息的维度。不同的head关注的特征信息可能不同。

加入位置编码信息：

因为没有位置信息，所以加入 positional encoding

Feed forward理解：

Feed forward 在作的事情有点像SENET 先进行特征维度的延展，然后进行非线性变换，再进行特征信息的压缩，从而实现注意力的增强，实现一个非线性化。

BN与LN的区别：

BatchNorm是对一个batch-size样本内的每个特征做归一化，LayerNorm是对每个样本的所有特征做归一化。

BN抹杀了不同特征之间的大小关系，但是保留了不同样本间的大小关系；LN抹杀了不同样本间的大小关系，但是保留了一个样本内不同特征之间的大小关系。

在图像处理中对图像的信息中的亮度、颜色进行BN处理，有利于模型模型训练

在文本处理中对单条文本信息进行语义上的LN处理，有利于模型模型训练