Transformer中到底做了什麼？
Transformer在論文《Attention is All You Need》中被提出，後來應用於BERT，實現了深度文本語義預訓練模型。
參考代碼如下：
簡單來說，transformer就是利用 self-attention 實現了在某個任務下句子中詞與詞的關聯性。
下面是根據bert中transformer的代碼畫的流程圖，首先明確一下圖中各名稱的含義：
圖中可以看出，transformer包含兩個主要的部分，self-attention部分和intermediate部分，可以通過兩個殘差連接和LayerNorm層劃分開。（其中黃色表示輸入，藍色表示有參數的部分，綠色表示殘差連接+LN）
attention就主要是下面這個公式，不熟悉的話可以參考blog：The Illustrated Transformer
self-attention部分包含了一個self-attention層，和一個全連接輸出層（dense），其中self-attention層展開如下圖所示，其中黃色的部分表示模型的輸入，藍色的部分表示裏面有參數，其實就是Q/K/V分別經過一個全連接層，Q和K的結果做向量積，得到attention對齊矩陣，然後使用position或者句子長度之類的生成一個attention-mask，讓不希望影響最後結果的部分的softmax值爲零，bert代碼中attention-mask遮蓋部分取值爲-10000，最後經過softmax得到attention矩陣，也就是V中每個單詞對Q中每個單詞如何影響，最後用attention矩陣對V加權平均，得到與Q中每個單詞對應的向量表示。
下圖爲計算好的attention矩陣，在bert中每句話前面會加一個CLS，後面會加SEP，其餘使用PAD填充到最大句子長度。其中PAD對應的向量就是要被mask遮蓋的部分，可以使用真實句子長度計算，最後得到的與每個單詞對應的向量爲，attention概率分佈與向量V（self-attention中與Q相同）的加權求和。
所以理論上，經過訓練CLS對應的向量，是包含了整個句子的語義特徵的，所以在bert中可以只用CLS對應的向量作爲後續finetune分類器的依據。