首先需要明确的是，Transformer是一个翻译模型。与之前主流的翻译模型相比，transformer的依然是一个encoder-decoder结构，改变的主要是encoder和decoder内部的组成，改变结构带来的优势是使得模型可以并行化训练。Transformer的结构如下：
图中左边就是encoder部分，右边就是decoder部分。
下面来具体看下两个部分的组成。首先看encoder部分，如下图：
transformer中encoder的主要组成.png
encoder主要结构组成包括一个self-attention模块和一个FFN模块。之所以是self-attention，是因为输入的Q、K、V都是输入句子对应的embedding矩阵。此外还加上了resnet中的残差结构，减少了梯度消失的风险，使得模型更好训练。
再来看看decoder部分，如下图：
transformer中decoder的主要组成.png
decoder主要结构组成包括一个self-attention模块，一个encoder-decoder-attention模块和一个FFN模块。其中self-attention模块和FFN模块和encoder部分中的相同，而encoder-decoder-attention模块在结构上也和self-attention模块一样，不同点在于encoder-decoder-attention模块中的K和V是encoder部分的输出，Q是自身self-attention模块的输出。
前文已经提到，transformer的主要改进在于可以并行化训练。之前主流的翻译模型中encoder和decoder组成都是RNN，但是RNN是不能并行化训练的，只有前一时刻训练结束才能进行当前时刻的训练（就像GBDT一样，每棵树的训练是依赖前一棵树的）。但是transformer中attention结构不一样，它是将每个时刻的输入信息之间的距离视为1，任意两个时刻的输入信息是可以直接交互运算的。attention中信息之间的交互计算是通过矩阵运算实现的，而矩阵运算是可以很好的进行并行计算的。RNN和attention中信息的处理如下图：
RNN中t时刻信息与t-2时刻信息的交互必须要先经过t-1时刻，但是attention中t时刻和t-2时刻之间可以直接交互。没有了时序上的限制，attention结构就可以进行并行化计算了。同时attention结构另外一个优势在于长期依赖问题得到缓解，比如RNN中t+2时刻信息与t-2时刻的信息依赖关系之间相差4步，但是attention中两者可以直接计算，因此可以认为两者相距为1。不过尽管attention中长期依赖问题得到缓解，但是也带来另外一个问题，就是对位置信息的忽略。时序数据中数据的先后关系是很重要的，比如一句话中两个单词的颠倒可能就会导致完全不同的含义。Transformer的补救措施是给输入信息加上了位置编码，如下图：
也就是对每个单词对应的embedding向量再加上位置编码向量。位置编码公式如下：其中，是信息在序列中的位置，而是位置编码的维度序号，且。为什么要用这个函数呢？文中给的解释是：
We chose this function because we hypothesized it would allow th emodel to easily learn to attend by relative positions, since for any fixed offset k, 
can be represented as a linear function of 
这里我给下个人解释，位置编码后会得到一个矩阵，行数就是序列的长度，列数就是embedding维度。每一列上的值都是从同一个频率的正弦函数上取出的，每一行就是一个单词的位置编码向量，这个向量是由多个不同频率的正弦函数组成。由于相同列都是从同一频率的正弦函数上取的值，所以不同行向量之间可以线性表示。不过为什么满足这样特性的编码函数就是好的函数我还是不太明白，这里挖个坑，以后弄懂了再来写。
在PyTorch实现代码中实现位置编码时并不是直接实现上述公式，而是做了点改变。改变在于将公式中
改为
。个人猜测这样改变可能会节约时间吧。
有一点需要注意：transformer中的并行化计算只在encoder中进行，在decoder中是不可以并行化计算的。（经评论指正，在训练阶段decoder中也是可以进行并行化计算的，只是在预测阶段不可以进行并行化计算）decoder中attention结构的K和V是不变的，但是output embedding是变化的，依赖于上一时刻decoder的输出。
接下来再来讲下transformer中的attention结构。Transformer中最基本的attention结构是Scaled Dot-Product Attention，结构如下：
Scaled Dot-Product Attention结构.png
其中，Q和K的列数是一样的，而K和V的行数是一样的。Attention函数可以理解为将一个query和一个(key, value)对映射成一个输出，query和key进行矩阵相乘得到相应的weight，然后再将weight和value进行矩阵相乘得到最终的输出。Transformer中用的是Multi-Head Attention，其实也是Scaled Dot-Product Attention组成的，Multi-Head Attention结构图如下：
Multi-Head Attention结构.png
其实Multi-Head Attention就是由多组Scaled Dot-Product Attention组成，transformer中先将高维的Q、K、V映射到多个低维空间中，在每个低维空间中进行attention操作得到一个低维的输出，然后再将这些低维输出拼接起来得到和原始维度一样的输出。这样做的好处在于不增加计算量的情况下使得attention的效果更好了。下面是Multi-Head Attention的PyTorch实现代码：
Multi-Head Attention实现代码.png
其中self.linears的作用就是将原始的Q、K、V映射到不同的低维空间中。
