1.Encoder

1.1简单理解Attention

比方说，下图中的热度图中我们希望专注于小鸟，而不关注背景信息。那么如何关注文本和图像中的重点呢。

具体而言，下面的文本为she is eating a green，用不同的颜色表示每一个单词的向量，然后对每一个向量进行重构，比方说she本来由红色向量表示，重构之后，其向量包含上下文其他向量的部分（下图只管看就是按照相关程度，颜色比重各不相同，然后重新构成一个向量），其实这一块就是算出权值，每个词对其他词的贡献，再根据这个权值整合每个词自身的向量。

1.2.什么是self-attention

如下图所示，两句话中的it根据上下文语句不同，指代前面的名词也不同，所以希望用注意力机制，来专注他们之间的关系。

自注意力机制：如下图所示，两句话中，以it为例只计算本句中每个词和自己的关系

注意力机制：如下图所示，it会计算其他句和自己的关系。

同样如下图右侧所示，以it为例，线条越深和自身关系越强

1.3.怎么计算self-attention

如下图所示，有两个文本Thinking，Machines，在进行计算时，我们要知道每一个词和自己的关系以及和其他词的关系，也就是说要计算Thinking和自身的关系，以及和Machines的关系，以及Machines和自身的关系，以及和Thinking的关系然后将其向量化表示为x1和x2。接下来为了实现注意力机制，我们提供了三个向量，q，k，v，以Thinking为例，当Thinking想要寻找和自己的关系以及和Machines的关系时，必须要知道它要查什么，所以需要一个查找对象也就是q，同样Thinking和Machines自身作为被查找的单位，当被查询时，也需要提供我有或者没有被查东西的证据，也就是k，具象化理解，可以理解为，古代官府追查杀手，必然会拿着杀手画像q，那么每家每户都要提供自己的身份信息k，证明自己是不是杀手。v后面补充。

再看一下q，k，v是咋来的，对于单词向量x1和x2用一个权重矩阵w分别得到q，k，v。

再看一下词与词之间的匹配程度如何确定，先说一个概念，内积相乘越大两者关系越近，所以当计算Thinking和自己的匹配程度时，用q1*k1=112，计算Thinking和Machines匹配程度时用q1*k2=96计算，很明显和自己的匹配程度更高。

再进一步计算

首先看softmax（Q*K/ $\sqrt{d_{k}}$ ）*V，其中 $\sqrt{d_{k}}$ 这样理解，当高维Q*K的结果必然比低维相乘大，但在实际应用中，维数并不应该对结果产生影响，所以用 $\sqrt{d_{k}}$ 消除维度影响。对照下图左侧的公式，来看下图右侧，在得到112和96之后，进行维度消除操作，得到14和12，然后得到彼此的影响概率，0.88和0.12，再利用v对x重构得到z。