transformer相关的代码，参考了视频 手搓Transformer第六集：整合篇_哔哩哔哩_bilibili
多头注意力------masked
多头注意力机制：
目的：通过输入多组WK,WQ,WV来得到多个K Q V，从而实现从不同纬度，不同角度提取出的上下文信息，最终通过一个concat进行拼接，得到最终的上下文矩阵，让模型能从不同角度理解输入序列
通俗理解：多个专家会诊
想象你生病了去医院：
单头注意力：只看一个专家医生。这位专家可能擅长内科，但对外科不太了解。他的诊断可能不够全面。
多头注意力：组织一个专家会诊团队：
内科专家：关注你的体温、血压（整体状况）
外科专家：关注你的伤口、疼痛位置（局部问题）
影像专家：关注CT、X光片（深层结构）
化验专家：关注血液指标（微观数据）
每个专家从不同角度分析你的病情，最后综合所有专家的意见，得出更全面、更准确的诊断。
多头注意力 = 多个专家从不同角度同时看问题
多头注意力就是把自注意力复制多份并行运行，每份从不同角度分析输入，
最后综合各方观点，让模型对上下文的理解更全面、更细腻——就像请多个专
家会诊，而不是只听一个医生的意见。
计算：
多头注意力是多个并行的注意力
其实就是对于输入x矩阵
对于w0，用于把多头的拼接转换为融合，把纬度拉回方便后续网络能用。
注意：之前的误解
假设一个输入
X为3 * 512纬度的
有8个头
那么计算过程：
残差连接和层归一化
残差连接：
经过自注意力进制后，得到了需要关于这样词语的新的含义，但是新的含义可能会淹没原来词的意思，所以需要做一次残差处理，确保原来的词义仍然保留，仅仅是做了丰富。
类比：
相当于做笔记一样，学习过程中，会对原来的知识点有更进一步的理解，残差连接让做笔记过程中，新的理解只是以批注的形式存在，而不是替代原来的含义
层归一化：
LN层：对同一个样本的输入对应的输出，会有多个值，对这些值进行归一化操作，
y和bei ta通过反向传播进行调整的
其实的操作就是 ：
layerNorm(x) = (x-均值) / 方差 *gamma + beta
层归一化的计算：
假设一个向量为x
- x = 词1: [0.5, 1.2, -0.3, 0.8]
- 计算标准差
注意：归一化时，是每个词向量内部求均值，求方差，然后最终 0 用公式做计算
feed-forward
也叫做MLP
全连接层，在模型中引入非线性，使得模型可以模拟如何一种曲线
Feed Forward 层 = 对每个 token 单独做 “特征提纯 / 非线性变换”
- 不跟别的 token 交互
- 只强化、提纯当前 token 自己的信息
就是说每次词（token）单调处理，让这个词自己思考，不与其他词交互
交叉注意力
Q:解码器输入
K:编码器输出
V:编码器输出
这里面的意思是，
q来自解码器（需要乘wq）得到Q
kv来自编码器（需要乘wk，wv）得到K,V
然后再用这些东西做计算
masked：
训练时，mask加入到的是
QKT/根号dk后面，加入的都是负无穷
masked实现实际是通过让不想被看到的词attention-scroe=0（单个元素）
mask是训练时为了让并行计算模拟串行生成而设计的"作弊防止器"，推理时串行生成自然满足因果性。
transformer架构
训练过程：
假设做的是机器翻译任务： 我 是 一个 学生 ----》 i am a student
首先把 我是一个学生 转换为词向量输入编码器，编码器给出一个K和V
然后把 i am a student 作为输入全部传给解码器（注意：传给解码器的正确的标签，而非是解码器的输出），然后训练时使用到时masked的多头注意力机制，会在训练时，只让模型看到左边的label，而不能看正确答案，然后得到输出，计算输出和正确答案的loss，然后进行反向传递进而更新编码器和解码器的参数
推理过程：
区别：
训练过程是并行的
推理过程是串行的
Transformer每层输入输出理解！！！
用来加深对transformer架构的理解
0.分词层
输入一句话，然后分词层把他转换为一个一个的token，然后查询词表，最终得到一个id（索引）
，然后把所有输入到token词嵌入层中
1.token词嵌入层
输入：一个词id，也可以是一句话（呢就是一堆的词id）
输出：这个词在查询表中对应词向量（512纬度），（如果是一句话，呢就输出一个类似矩阵）
2.postional编码层
输入：输入的就是词向量矩阵的形状
有多少句话，这句话有多少个词，每个词的纬度
输出：输出的是对应形状的向量序列
3.总的词嵌入层
输入：一句话
输出：词向量矩阵
这个词向量矩阵 = 词义矩阵 + 位置信息矩阵
把这个句子当做x，输入到多头注意力机制中
4.多头注意力机制层
输入：词向量矩阵x
输出：词向量矩阵z，这个z包含了多角度的上下文信息，句法信息
5.全连接层
输入：是经过注意力+残差连接+归一化后的向量，三维的，多层堆叠的二维矩阵
输出：同形状，提纯后的向量
6.层归一化和残差连接
输入：3纬向量
输出：同形状归一化后的结果
层归一化：对每个词向量做归一化，即同一个句子中的每个512纬词向量做归一化
多句话，每句话多个字，每个字512纬
7.总的编码器层
输入：多句话
输出：对应的3纬张量，包含了位置信息，句法信息的词向量二维数组
8.mased的所有注意力层
输入：
输出：
9.交叉注意力层
输入：q(来自解码器的输出)，k（来做编码器输出），v（来自编码器输出）
输出：新的上下文矩阵z
10.Linear层
输入：
输出：
11.总的解码器层
输入：
输出：
12.编码器和解码器数据交互、
总体理解如何实现机器翻译
训练时：给编码层输入一个 我 爱 你
给解码器输入一个 i love you
然后让模型学习和预测，预测出一个英文字母，然后和答案做loss
使用梯度下降一直给模型调参和纠正错误，一步一步的学习，最终实现效果
类似于让模型学骑自行车，旁边有人一直扶着他并给他纠错，最终学习下实现可以单独骑自行车的效果
