1.Transforme

1.1 要做一件什么事

• 基本组成依旧是机器翻译模型中常见的Seq2Seq网络
• 输入输出都很直观，其核心架构就是中间的网络设计了
• MxN，输入M，输出N

1.2 传统的RNN网络有什么问题

• 传统RNN是一个时序模型，下一个RNN的输入依靠上一个RNN的输出，不能做到并行计算
• 由于不能并行计算，到时无法在工业级进行大规模数据处理使用

1.3 Self-Attention机制

• Self-Attention机制来进行并行计算，在输入和输出都相同

• 输出结果是同时被计算出来的，现在基本已经取代RNN了

• 

• 传统的word2vec表示向量时有什么问题？ 预训练好的向量就永久不变了

• 不同语境中相同的词如何表达？

对于输入的数据，你的关注点是什么？如何才能让计算机关注到这些有价值的信息？对于一句话，在不同的语境中所关注的地方也不一样，例如这两句话中的it：

1.4 self-attention如何计算？

1. 输入经过编码后得到向量

2. 想得到当前词语上下文的关系，可以当作是是加权

3. 构建三个矩阵分别来查询当前词跟其他词的关系，以及特征向量的表达。

   

   三个需要训练的矩阵:Q: query，要去查询的；K: key，等着被查的；V: value，实际的特征信息

   

   q与k的内积表示有多匹配；输入两个向量得到一个分值；K: key，等着被查的；V: value，实际的特征信息

   

   每个词的Attention计算，每个词的Q会跟整个序列中每一个K计算得分，然后基于得分再分配特征

   

   Attention整体计算流程：

   • 每个词的Q会跟每一个K计算得分
   • Softmax后就得到整个加权结果
   • 此时每个词看的不只是它前面的序列而是整个输入序列
   • 同一时间计算出所有词的表示结果

1.5 multi-headed机制

一组q,k,v得到了一组当前词的特征表达；通过不同的head得到多个特征表达；将所有特征拼接在一起；可以通过再一层全连接来降维

堆叠多层，计算方法都是相同的

在self-attention中每个词都会考虑整个序列的加权，所以其出现位置并不会对结果产生什么影响，相当于放哪都无所谓，但是这跟实际就有些不符合了，我们希望模型能对位置有额外的认识。

1. 加入归一化Normalize 2. 连接：基本的残差连接方式

2.BERT

BERT(Bidirectional Encoder Representations from Transformers)，说白了就是transformer的encoder部分，并不需要标签，有预料就能训练了

2.1 如何训练BERT

方法1：句子中有15%的词汇被随机mask掉

交给模型去预测被mask的家伙到底是什么

词语的可能性太多了，中文一般是字

如果BERT训练的向量好，那分类自然OK

方法2：预测两个句子是否应该连在一起

[seq]：两个句子之前的连接符，[cls]：表示要做分类的向量

2.2 如何使用BERT

• github已经开源，直接使用训练好了的模型就行
• 所需的任务融入BERT中即可，它俩一起训练的！
• 端到端的输入输出方式，直接套用深度学习模型关注输入输出