RNN不容易被平行化，先计算得到b1，再计算得到b2，再b3，再b4
Self-attention输入和输出也和RNN一样都是sequence，每一个输出和Bi-RNN一样，都由所有的输入序列得到。但是不同之处在于输出是同时得到的，不需要再按照顺序得到。
文章图片
文章图片
每一个q和所有k做一次attention得到对应的值。
文章图片
把值经过softmax：
文章图片
得到α^与对应的v相乘，再累加得到b，可以看到b是把所有的输入值都利用到了。
文章图片
要得到b2：只需要用q2与每一个k做乘积：
文章图片
矩阵表示：
文章图片
文章图片
文章图片
文章图片
文章图片
但是这个网络没有关于输入的位置信息，它不考虑哪一个和它更近，哪一个更远。所以在得到的ai还要加上一个代表位置信息的值ei
文章图片
等同于是我把xi后面接一个pi，pi代表目前的xi处于哪个位置：
文章图片
但是Wp是手动设置的：
文章图片
对于Seq2seq我们是直接把里面的RNN部分给取代掉，都变成self-attention：
文章图片
文章图片
首先第一步：每一个词的输入xi被编码为词向量ai，加上其位置信息ei，得到的向量乘上不同的权值W得到三个被称为查询向量、键向量和值向量向量的向量，它们都是有助于计算和理解注意力机制的抽象概念，因为每一组不同的q，k，v关注的点不一样，得到的attention不同。
【self-attention】
文章图片
下面的步骤进行N次：
文章图片
文章图片
降维：
文章图片
这样做的好处是不同的head关注的点不一样，会各司其职。
文章图片
接下来add&norm：把Multi-head的输出和输入加起来，也就是ai+bi
文章图片
再做layer norm：让b‘不同维的均值为0，方差为1
文章图片
之后再送入feed forward层（前馈神经网络），再经过一层add&norm：
文章图片
解码阶段：
输入的是之前得到的隐含状态，加上位置编码，之后的步骤循环N次：
Masked multi-head attention让解码器只关注已经产生的序列，而把未产生的序列忽略掉，得到的值和输入值进行add&norm。然后把这个值和之前编码结果一起经过multi-head attention层，之后的步骤就看图啦：
文章图片
整体理解每一步到底在做什么：词向量+位置信息，送入multi-head是从不同角度去理解句子，add操作是把每一个角度理解的信息追加原始的句子，然后通过前馈神经网络去拟合，也就是从整体上对句子的理解做了一次修正。解码器也和这一过程类似，只不过是从c解码到对应的另一种语言。
