Transformer 极致精简剖析(Pytorch实现)

写在前面的话
Transformer模型设计的哲学思想：大道至简 **
即：完全基于attention机制，无差别对待序列中任意token与其他token的关系计算，用李宏毅老师的话讲就是天涯若比邻
模型的设计哲学对比：
拓扑结构好神奇
从数据的拓扑结构来讲，Transformer将序列化数据看成了完全连通图（也就是没有所谓的终点和起点）而RNN则是看成了其最小连通子图（且有明确的起点和终点，即信息流定向传导，即便是双向RNN也没有改变时间轴的存在的本质）。
编码阶段的差异清晰可见，RNN被一条隐藏的时间轴所束缚，当前时间的编码嗷嗷待哺前面的结果。所以 慢！！！
而Transformer模型结构中就没有时间轴 图上的节点（序列的token）可以自由与其他节点通过边交互(也就是attention)，且任意两个不同节点的行动完全互相不干扰。
天涯若比邻带来的问题
前面有说，Transformer的设计哲学，注定是将时间轴抹去了，进而加速了信息编码的速度。可是让我们回到模型的本质，任何模型提出都是为了解决改进任务，很明显我们的任务就摆在那里，编码序列信息，而这个序列信息本身是有序的！注意了，原来的RNN为了体现这个序**，所付出的代价就是在一条隐形的时间轴进行编码，自然的将序列本身的序信息嵌入到时间信息中，代价就是速度很慢。而Transoformer为了也把序列每一个token在序信息编码进去，所以加入了<