英文专业词汇翻译为中文后就少了一点’直观性’，所以我觉得专业词汇直接写英文比较好。
前言
对于人工智能（AI）中的神经网络结构，大多数人必定都略有耳闻,它来自神经生物学中“神经网络”的高度抽象，输入——传输——输出。不过，在AI模型中，“神经元”并非生物学上的细胞，而是用于存储和处理数据的容器；信息轴也不是电信号在突触上的传递，而是一系列数学函数对目标数值的有向变换。
在传统的前馈神经网络（Feedforward Neural Network, FNN）结构中，各层神经元之间通过有向连接相互传递信息，即信息流动具有明确的方向——由前向后。每一条连接轴都对应一个独立的权重（weight）。同一层（layer）中的所有神经元都会接收来自前一层的相同输入向量，但它们之间相互独立，分别基于各自的权重和激活函数计算输出结果。
neural networks and deeplearning;By Michael Nielsen
卷积神经网络(convolutional neural network,CNN）相比FNN的”各自独立“稍微增加了一点”局部整体性“。在CNN识别图像时，会把某一局部特征（比如水平线/纹理）数值作为整体，这个局部的数值特征即为卷积核K。我们可以把卷积核K视为一个方形扫描仪，当它在输入图像上滑动时，会对每个区域进行特征匹配，探测出与自身模式相似度较高的局部结构。但是每个卷积核只“看到”一种局部信息，识别全局需要多层卷积的堆叠（也就是多个卷积核K对不同特征进行”扫描“）再经历逐层整合，网络才能逐步从局部特征中抽象出更高层次的全局结构。
5*5矩阵的卷积核K”扫描“28*28的输入数值矩阵（图像的像素值）
如果说CNN可以有效地处理空间信息，那么循环神经网络(recurrent neural network,RNN )则可以更好地处理序列信息。
RNN对信息的处理就像人类阅读书籍，每读一句话都要根据先前的内容来理解这一句的含义。也就是说它在处理序列信息时只能按顺序传递“隐藏状态”（模型的短期记忆），预测下一个词时只能依赖前一个隐藏向量。
例如，在天气预测中，根据前几天的气象数据来预测第二天的天气；在股票分析中，基于过去的波动来预测未来走势；在生物信息学中，根据DNA序列的先前碱基预测后续碱基……凡是需要基于先前序列信息进行预测的任务，RNN都能发挥重要作用。
但是RNN 的结构特点也造就了它的局限性。由于它只能顺序地处理信息，所以计算效率效率较低；并且它的每一步都依赖前一步的隐藏状态，因此能“记住”的信息是有限的。当序列过长时，早期的信息在层层传递中容易被逐渐遗忘。
Understanding LSTM Networks；Chris Olah
后来，研究人员为了改善这个缺点，将“自注意力机制”(self-attention)引入RNN中，但这只增强了它的“记忆力”，整体运行效率仍然没有改善。
神经网络结构经过迭代更新，目前几乎所有主流的人工智能都以 Transformer 为核心。Transformer既具有比CNN更宏观的’整体性’，又比RNN拥有更强的’记忆力’（信息储存能力）和并行性。 Transformer 架构最早由 Google Brain 团队于 2017 年提出，也就是那篇非常著名的Attention Is All You Need。Transformer完全依赖“自注意力机制（Self-Attention）”的数学框架，使模型能够同时关注输入序列中的所有部分，计算效率与可扩展性得到极大提升。
如果仍然用’读书’打比方，Transformer 就像一个人同时把整本书摊开，它不再一行行地顺序阅读，而是在瞬间看到所有句子之间的联系，并快速找到与某一个句子最相关的部分。而这正是Attentoin（注意力机制）所造就的强大优势。
Transformer结构
Attention Is All You Need
如果单看文章中给出的Transformer框架流程图，相信除了作者没人能看懂，所以我们要做的是把这些部分拆解开来，当然，今天的重点只是拆解Attention模块。
左半边部分称为encoder(编码器)，右半边部分称为decoder(解码器)。这两部分都是由Multi-Head Attention和Feed Forward组成。我们在这里首先要搞清楚的是：Multi-Head Attention(多头注意力机制)是什么？
Multi-Head，顾名思义，它由许多Single-Head并行组成，单个single attention的运算流程如左图所示。
当我们输入一段文本时，模型首先会把它“拆分”成许多 token（为了方便理解，可以先把一个 token 理解成一个单词）。然后Transformer 会为这些 token 创建一组向量，每个向量都是从 “嵌入空间（embedding space）” 中取出来的。这个“嵌入空间”由研究人员利用大量已经标注好的语料库训练得到，尽可能包含了所有语义信息。
在这一步，token向量之间是没有联系的，每个向量只能编码单词本身的语义，我们把这些“嵌入向量”用E表示。
“嵌入向量”E映射到Q-K空间使彼此之间建立“联系”，所谓建立联系也就是“一个单词知道自己的语义与文本中哪些词相关”。
V（Value）矩阵是嵌入矩阵的转置矩阵。它的作用是将通过注意力机制得到的“信息向量”投射回原来的向量空间（embedding space）。当这些“信息向量”与原始的 token 向量相加后，就得到了一个融合了语境理解的”更新向量”。
空间：由“张量（tensor）”——也就是多维矩阵*——所张成的数学空间。在 Transformer 中，嵌入向量 E 与 Q、K、V （矩阵）之间的关系，本质上就是一系列矩阵与向量的乘法运算。
虽然目前对Attention block的具体运算细节还不清楚，但是我觉得先给出公式会让人有一个比较模糊的宏观了解。
注意力机制的核心计算公式如下：
single-head Attention(单头注意力)
1
Q-K space
假设我们用如下的句子作为输入，希望通过GPT-3的Transform模型预测下文：
✦
a fluffy blue creature roamed the verdant forest.
✦
我们把’creature’作为目标token，它的嵌入向量记为E4（GPT-3中嵌入向量的维度𝑑𝑚𝑜𝑑𝑒𝑙=12288）。
Query space（查询空间）的矩阵记为Wq（GPT-3中查询矩阵的维度dk=128）;Wq的作用是把“语义向量”变成“信息需求向量”,描述形象一点：模型会问自己”我该关注哪些词？”这个过程在数学上表现为一次矩阵向量相乘的线性变换。
E4*Wq=Q4
E4表示’creature’本身的语义；假设这个 Wq的作用是将嵌入空间中的名词映射到Query space，那么 Q4 就可以理解为：它在“询问”——我想知道这个名词(creature)对应的形容词是谁？（提出需求）
“Key space（键空间）”的矩阵记为Wk（GPT-3中键矩阵的维度dk=128）
Ei*Wq=Ki
每个 token 的嵌入向量E经过这个矩阵变换后，得到对应的 Kᵢ。它可以被理解为对 Query 向量提出的问题的一种“回答”。
用数学语言表示，就是将所有的 Kᵢ 分别与 Q₄ 做点积；这从数学上很好理解：两个向量A*B相当于：向量A的长度向量B在A方向的投影长度，两个向量的方向越接近（夹角越小），它们的点积就越大。
向量的方向蕴含了丰富的语义信息，如果两个向量的方向接近，说明该向量代表的语义信息接近。换句话说，点积越大，说明这个词与目标词（creature）的语义关系越密切。
Attention in transformers, step-by-step;3Blue1Brown
Wq 和 Wk 把嵌入向量 E 映射到维度相同的空间中。 以上图为例：向量K2与向量Q4的方向相近，表示两者关系紧密。（在这个例子里，这种关系具体表现为：“fluffy” 是 “creature” 的形容词。）
对于输入文本，模型会让所有查询向量 Q 与所有键向量 K 分别做点积，从而得到每个词与其他词之间的语义相关性。
在这个例子中，QK^T得到的结果如下图所示：向量之间相关性越紧密，点积结果越大；反之，点积结果越小。
Attention in transformers, step-by-step;3Blue1Brown
这些点积结果可以是负无穷~正无穷之间的任何数值，为了简化后续计算，方便生成注意力权重，需要对它们进行方差归一化，也就是除以√dk 。
归一化方差的原因：数值经过softmax函数变换后输出为0-1之间的概率，如果数值过大或过小，输出就会过于极端——聚集在0，1这两点。模型在”反向传播“时几乎得不到有效梯度，训练无法进行。
2
Softmax函数
在得到归一化后的点积结果后，Softmax函数将这些数值转换为概率分布，使每个值介于 0 到 1 之间，且所有值加起来等于 1。
先对输入向量中的每个数取以 e 为底的指数，使所有数值都变为正数；然后将这些指数值相加，最后计算每一项占总和的比例。
每组概率表示模型在“关注”当前词时分配的注意力权重：数值越大，说明模型认为该词对当前 token 的语义理解越重要；数值越小，说明它与当前 token 的关联较弱。
Attention in transformers, step-by-step;3Blue1Brown
3
Value space
至此，我们已经理清了这个核心公式的左半部分。接下来的步骤，是通过 Value matrix（值矩阵） 将加权后的结果重新映射回“嵌入空间”（embedding space），在原始语义空间中”更新”目标向量。
在我们的例子中，就是将与 “creature”（目标 token）有关的所有词向量分别与 Value Matrix 相乘，得到对应的 “值向量”。接着，模型会按照上一步计算得到的注意力权重，对这些值向量进行加权求和，生成一个融合了上下文信息的“更新向量”。
Attention in transformers, step-by-step;3Blue1Brown
value matrix与嵌入向量E相乘=’value’（值向量），∑(value*weight)+’creature’的嵌入向量=被修饰后的’creature’向量
对于整个输入文本来说，这一过程会对每个 token 都执行一次：模型将所有变化量与对应的嵌入向量相加。这些更新后的向量会作为下一层计算的输入，继续被模型加工、理解。
Attention in transformers, step-by-step;3Blue1Brown
顺带一提，Value Matrix（值矩阵） 的维度为 12288 × 12288，如此高维的矩阵计算量非常庞大。为了降低复杂度，模型通常会采用“低秩分解”的方法，将它表示为两个低维矩阵相乘的形式。
Attention in transformers, step-by-step;3Blue1Brown
如此一来，嵌入向量先与右边的矩阵相乘实现降维，再与左边矩阵相乘，将结果重新映射回12288维度的嵌入空间。（矩阵乘法的结合律）
总结
上述内容就是’single-head attention’(单头注意力机制)的工作原理，整个过程可以概括为：横向权重赋值+纵向权重赋值。在这其中，三个核心矩阵 Q、K、V 共同完成了输入文本中各个 token 之间的信息交互。（在我们上述的例子中就是为名词寻找并融合对应的形容词的语义）
Multi-Head Attention
多头注意力机制（Multi-Head Attention） 相当于多个 Single-Head Attention 的并行叠加。每个“头”（Head）都由参数各不相同的独立的Q-K-V矩阵组成，每个头构成的语义空间关注不同的侧面：有的着眼于句法结构，有的捕捉语义修饰，还有的专注于文本的语气或风格……
在GPT-3模型中共有96个“头”，也就是96个子空间。输入的token在子空间中独立“学习”得到各自的“更新向量”，96个子空间的“更新向量”之和+目标token的嵌入向量得到整合了输入文本所有语义、更精准的嵌入向量。
MASK(掩码)
现在回看这张结构图，右侧的Decoder（解码器）与左侧的Encoder（编码器）在结构上略有不同：在解码器的 Self-Attention 模块中，多出了一层mask（掩码）。
mask(掩码)的作用是：避免后置词对前置词的干扰。 换句话说，在生成文本时，模型只能“看到”已经出现的词，而不能提前窥视未来的词。这样才能确保模型的预测是逐词生成的。
模型在生成第t 个词时，并不是“凭空”选择，而是根据前面所有已生成的词，计算出一个所有可能的词的条件概率分布：
在实际操作中，为了让文本更加自然，模型并不会总是选择概率最高的词，而是会在一定程度上采样那些概率略低的词。这也解释了为什么在相同输入的情况下，模型生成的结果可能有所不同。
mask(掩码)具体的操作方法是在softmax之前添加一个遮罩矩阵（mask）。如果理解了前面的计算流程就很容易明白：在注意力机制中，attention block 会计算所有 Q 与 K 的点积（点积矩阵）。遮罩矩阵就是将点积矩阵中的左下角区域（即后置词对应的部分）全部替换为一个极大的负值。
这些极大负值在经过 softmax 函数变换后，输出结果会接近于 0，相当于在计算注意力权重时彻底屏蔽掉这些位置。
Attention in transformers, step-by-step;3Blue1Brown
Attention in transformers, step-by-step;3Blue1Brown
在GPT模型中，训练阶段和运行阶段都会使用masking，在训练阶段，模型会被输入完整的文本序列，通过不断调整参数和权重，使它在每一步的输出（预测下一个词的概率分布）尽可能接近预期词。
总结
在整个 Transformer 结构中，Attention block的运算只占模型的1/3，剩下的2/3发生在Multilayer Perceptron——’MLP’(多层感知器)中。当一个词经过注意力机制“吸收”了一部分上下文语义后，MLP 层会进一步对它进行非线性变换。随着词向量流经越来越多的层，每一次迭代都让它从周围的 embedding 中获得更丰富、更细腻的语义信息，不仅包括词义和句法，还可能捕捉到文本的语气、情感，甚至文艺，哲学或学术语境……
总结来说，所有的神经网络模型所做的工作都是：提供一个可调节的数学模型框架，通过训练数据不断优化其中的参数（权重和偏置），让模型能够捕捉输入数据的规律并进行预测。
由于向量空间中的基本变换是线性的，而现实世界中的规律往往是高度非线性的。所以神经网络都是多层线性变换与非线性函数（ReLU）的叠加，经过海量计算，逐步逼近和拟合现实世界复杂的非线性关系。
ReLU函数
这些矩阵中的特定数值究竟是如何形成的无法完全解释。它们是在训练过程中，为了达到预期的结果而生成的——计算机为它们找到了自己的“位置”。这些数值的初始生成看似随机，但在随机背后，或许隐藏着计算机探索出的某种底层规律，在那里，如同存在一个由运算法则支撑的独立世界。
这有点类似宇宙的演化…无数不确定的因素交织，造就了如今的世界。科学家试图用一些规则解释，但理论终究是不完备的，因为某些随机事件的发生，永远无法被清晰说明。
✨水平有限，欢迎指正
对于新兴行业（当然这也并不新）总有人为其附上“神秘主义”色彩，尤其当“专业人士”摆弄出高深莫测的模样。“神秘主义”由于未知而滋生恐惧，但是这种未知是可以被逐步消解的，因为只要是人类创造出的东西就不会超过人脑所能理解的范围。
参考内容：
1.Neural Networks and Deep Learning;Michael Nielsen;
http:///index.html
2.Understanding LSTM Networks；Chris Olah；
https://colah./posts/2015-08-Understanding-LSTMs/
3.Attention Is All You Need;Ashish Vaswani,Noam Shazeer,Niki Parmar,Jakob Uszkoreit,Llion Jones,Aidan N. Gomez,Łukasz Kaiser,Illia Polosukhin.arXiv preprint arXiv:1706.03762v7
4.Attention in transformers, step-by-step;3Blue1Brown;【官方双语】直观解释注意力机制，Transformer的核心 | 【深度学习第6章】_哔哩哔哩_bilibili