Transfomer是一个seq2seq模型，关于encoder部分，其实很多教程都将的非常清楚，最推荐的是李宏毅老师的视频，视频讲self-attention讲的非常清楚，但是关于最后的Transformer的结构，特别是decoder部分，讲的还是比较快。
此外还可以参考知乎上的一些教程，非常多，就不错推荐了。
模型结构说明
Transformer的结构图如下：
左边是encoder部分，比较简单，把一个句子输入，做一个multi-head attention，然后通过一个残差链接（resdituial connection），然后通过一个全连接的神经网络，这里强调一下，此处的feedForward是对输入的每个multi-head attention的输出做的独立但是相同的feedForward,也就是说，对每个上一层的输出，做相同的矩阵变换。然后这样的block多Nx层。
Decoder
那么关于decoder是怎么做的呢，首先，强调的是，encoder部分是做并行的，用self-attention结构。而decoder不是并行的，而是想RNN的那种模式，一个一个生产的，有时序概念。有了这个前提，那么第一步是给一个Masked Multi-Head Attention一个输入，第一个输入是【SOS】（即start of sentence），然后做self-attenttion，那么此处的mask如何理解，就是生产第一步只有一个词，自己做self-attention，第二步生成两个词的时候，就做两个词的self-attetion,那么每一步在该层有一个输出，假设为Q，那么送入到中间的Multi-Head Attention层，和encncoder部分的K,V做attention。那么在此时，小伙伴们应该就明白了，这不是和之前传统的用RNN做的seq2seq模型做attention一模一样吗，只不过那个使用decoder的hiddenLayer的值（作为Q）和encoder部分的hiddenLayer的值（作为K）做attention，然后把encoder的input作为V，加权给到decoder的输入。所以二者其实是一个东西，只不过是把RNN换成了self-attention，然后又加了残差连接而已，模型变得复杂了一些，实际上还是一个东西。
最后如果还不理解建议把seq2seq和attention的内容复习一下，然后再结合李宏毅老师的视频，里面有一个动图描述了decoder部分，应该就可以理解了。
