注意力机制对比RNN
主要解决了RNN无法并行，并且不能解决长序列依赖问题
所以为什么设计
Q K V这三个矩阵 一边来是让 K == V的
首先通过Q 和 K点击计算Attention矩阵，这个矩阵表明的是V上每一个特征与Q的相关程度，相关程度高的，权重就大一点，相关程度低的权重就低一点
自注意力的Q K V来来源相同
自注意力的创新性在这里就完美的体现出来了，同一句话，哪些词对making的作用就体现出来了对吧
Masked-Self-Attention
Masked-Self-Attention就是在解码器阶段，每次生成一个词，不能知道后面的信息，只知道前面的信息
再讲解一下Multi-Head-Attention
其实我现在的感觉Multi-Head的概念和通道数相同
现在假设有16个字，16个字可以被映射的16维度，那么输入的矩阵是16 * 16的
那么八头就是变成了 8 个 16 * 2的矩阵。
对应到CNN的通道数进去，就变成了了RGB三个通道。对应三个通道去提取特征
位置编码
位置编码存在的意义，就是给单词加上词序的信息
他可以变成一个线性组合
这个是Transformer的架构
先说一下Decoder提供的是K V
我们知道，我们是去从K V中，依靠问题Q去寻找合适的的信息对吧。所以问题Q就要被输入Decoder，因为Decoder是执行者。Encoder只能只是信息的承载着。
再说一下为什么Decoder部分要用Masked
我们知道，比如机器翻译这个领域，或者文本生成领域，只能依靠前面的信息，去生成下一个字而不能通过下一个字去获得信息。