内容

0.整体的架构

1.MultiHeadAttention（）

2.Feed Forward（）

0.Encoder层整体的架构

在每一个Encoder层中包括一个Multi-Head Attention层以及一个Feed Forward层。

Multi-Head Attention层主要就是进行attention的计算，QKV的矩阵运算都在这里。

Feed Forward层就是进行特征的提取，进行向前传播。

总的来看进入Multi-Head Attention层时数据的维度是（2，5，512）即（batch_size，len，d_model）。出Multi-Head Attention层时数据的维度也是（2，5，512）即（batch_size，len，d_model）。而前馈神经网络没有进行维度的变化，所以每个Encoder层进出的维度都是不变的。

在这一层传入的是上一层的output,也就是之前（1）文中的（2，5，512）的数据。

(在进入多头注意力的计算之前，原始数据从（2，5）->（2，5，512）->（2，5，512），经过了两次变换，第一次是进行词编码，第二次虽然维度没有变换但是增加了位置的信息。)

1.MultiHeadAttention（）

enc_outputs, attn = 
self.enc_self_attn(enc_inputs, enc_inputs, enc_inputs, enc_self_attn_mask)

在这一层对应的就是上层的红色部分，三个inputs的维度都是（2，5，512），attn_mask的维度是（2，5，5），attn_mask的样子是如下：

torch.Size([2, 5, 5])
tensor([[[False, False, False, False,  True],
         [False, False, False, False,  True],
         [False, False, False, False,  True],
         [False, False, False, False,  True],
         [False, False, False, False,  True]],

        [[False, False, False, False,  True],
         [False, False, False, False,  True],
         [False, False, False, False,  True],
         [False, False, False, False,  True],
         [False, False, False, False,  True]]])

所谓的W_Q,K,V实际上就是一层Linear层，

在经过第一次相乘的时候，并没有展现出多头。维度还是（2，5，512）。

接下来会将Q矩阵进行维度的变化，同理K和V也是如此。

经过黄色的这一步，attn_mask的尺度，变成了（2，8，5，5）。

总结一下，到现在Q，K，V的尺度是（2，5，8，64）而attn_mask的维度是（2，8，5，5）

这一步的作用是，

context, attn = ScaledDotProductAttention()(Q, K, V, attn_mask)

接下来将对ScaledDotProductAttention进行分析：

经过红色部分，Q（2，8，5，64）* K（2，8，64，5）-> scores（2，8，5，5）

经过黄色部分，会将attn_mask的为0的部分进行赋值为很负的负数，这样经过softmax这个部分就会接近于0。

经过绿色的部分，第一句是进行softmax会将负的数变成0.

第二句是将attn和V进行相乘，（2，8，5，5）*（2，8，5，64）=（2，8，5，64）

也就是说返回的context是将

1.Q K进行相乘得到的scores

2.将scores进行pad位置填负

3.经过softmax

4.在进行和v相乘

返回的attn是前三步，也就是

1.Q K进行相乘得到的scores

2.将scores进行pad位置填负

3.经过softmax

如论文所示。

下一个绿色步骤是提取信息和变换维度，

因为有用到残差连接，所以每次的维度到最后都是不变的。即（2，5，512）

2.Feed Forward（）

黄色部分 是前馈网络主要就是进行信息的提取进行前馈。这一层比较简单，主要就是一层Linear一层ReLU然后再一层Linear，维度是不变的。得到这一层EncoderLayer的输出是output，这一层的output就是下一层的inputs。

所以经过一层Encoder数据的维度是不变的，（2，5，512）即（batch_size，len，d_model）。