transform是2017年提出来的，当时横扫NLP领域的多个任务，Vaswani et al. Attention Is All You Need. In NIPS,2017.

transform模型是Seq2Seq模型

transform不是RNN

transform是基于attention机制和全连接层的

这里通过最初的基于RNN的Seq2Seq模型，到基于RNN+attention的Seq2Seq模型，在到把RNN去掉全部基于attention的Seq2Seq模型，然后transform模型的思路进行讲解，这里前面几个都是前面讲过的，这里只是简单介绍即可

基于RNN的Seq2Seq模型

先介绍RNN是怎么更新状态的

基于RNN的Seq2Seq模型

这里简单的说一下，为什么在编码器中只需要使用最后一个状态的输出，为什么不使用中间的状态，因为最后一个状态包含了输入的所有信息，中间的状态，包含的信息不全

接着：

 

基于RNN+attention的Seq2Seq模型

可以发现基于attention的Seq2Seq的模型增加了context状态，通过context状态在计算输出状态h如下：

因此基于attention的RNN解决了长序列依赖问题，因为每个状态都包含了输入的整个信息。

计算context方法

上面采用的计算context方法并不是很常用，常用的方法是如下：

即引入三个矩阵和三个状态，其实本质上和上面的目的是一样的，只是处理方式不同，增加更多的参数，使模型表达能力更强。

他们的区别是什么？其实大家可以这样想，在获取解码器的输出状态时，使用RNN对seq2seq进行建模时，会发现，输入和上一个状态的S进行concat，然后乘上一个矩阵A，那么我们是否可以拆开呢？单独对输入创建一个参数矩阵和单独对状态创建一个矩阵，当然可以啊，两个矩阵的目的都是一样的，增加参数矩阵的表达能力，为了引入注意力机制，就需要计算相关性 ，那么也可以引入一个矩阵即可，因此，本质上transform就是通过计算相关性，然后把输出状态和每个输入的状态都关联起来，至于关联度其实就是相关性了，如何计算相关性，方法很多，而目前比较受欢迎的方法就是transform的这个方法，即设置参数矩阵Q、K、V:

Q矩阵是query就是当前的状态需要和编码器的状态计算相识度，因此需要解码器当前状态S乘上一个参数矩阵Q，表示该矩阵需要询问编码器所有的状态

K矩阵是key的意思，因为解码输出状态Q需要和编码器输出状态计算相关性，那么编码器的输出就是key了，因为每个编码器的输出都需要和Q相乘，因此称为key

V值其实很简单，在Q和K计算输出后是以矩阵，而相关性系数是一个值，因此需要另一个矩阵把Q和K的矩阵值在乘上一个矩阵V使其结果为一个相关性向量，这样就可以获取完整的α了，下面介绍基于RNN和attention的seq2seq模型

从上可以发现key和value的输出向量都是编码器的输出h状态，还是所有的状态，而q的输入是解码器当前的输出S状态，其中S0的状态为h_m，C0初始化为0，把S0和C0进行concat在通过激活函数就可以得到S1了，关键是如何通过attention计算法C1，其实很简单，此时S1和编码器的h_i都是知道的，那么分别创建W_Q矩阵和W_K矩阵和W_V矩阵，q矩阵是解码器当前输出状态S的参数矩阵，K是编码器的输出状态h的参数矩阵，V是为了计算相识度α的矩阵，该输入也是编码器的输出状态。

通过K和q的矩阵相乘，在通过softmax获取相识度α权重，然后计算当前输出状态的上下文C了

基于Attention的Seq2Seq模型

上面的是全部基于attention实现的seq2seq模型，从上可以发现，K和V的输入都是基于编码器的输入x_i,q的输入是解码器的上一个输出x^',其他的很基于rnn的attention类似，这里不过多解释，下面介绍如何组建成transform模型

Attention Layer

把上面模块化形成attention层

Self-attention层

Self-attention层和attention类似，只是这里的输入全为x_i,同样没有RNN网络，只有attention，其中Q、K、V的输入都是x，通过类似的方式及时α值，具体如下：

计算α值：

计算C值：

Self-attention层：

简化：