resnet 残差网络，用一张图就可以讲清：
在网络中间加上这样一个残差层，把网络之前某一层的输出加过来，可以解决多层网络难训练问题
transformer是什么？
transformer的核心是注意力机制：
“自注意力机制中有三个重要的输入矩阵：查询矩阵Q（query）、键矩阵K（key）和值矩阵V（value）。这三个矩阵都是由输入序列经过不同的线性变换得到的。然后，查询矩阵Q与键矩阵K的乘积经过一个softmax函数，得到一个与输入序列长度相同的概率分布，该分布表示每个元素对于查询矩阵Q的重要性。最后，将这个概率分布乘以值矩阵V得到自注意力向量，表示将每个元素的值加权平均后的结果。”
这相当于在说：我要比较每一个向量（可能代表了某一个单词）和其他向量的相似度（和自己或者重复的向量相似度自然高），最后的结果就是一个加权和（自己和与自己类似的向量乘上相似度的和）显然要是有一个向量重复的多或者与它类似的多的话，他最后的结果就大，更重要，而且也体现了有哪些词和他有关
当然要记得给输入向量加上位置信息，毕竟注意力机制对输入顺序不敏感，但我们的结果是敏感的。
(中间的Scale只是一个除法，防止向量不一样大)
transformer在训练的时候有一个mask，这是为了避免在训练的时候看到t时刻以后的向量。这个mask会给后面的向量乘上一个绝对值很大的负数，在softmax的时候就会变成0了
transformer的多头注意力机制是怎么做的？就是对最开始输入的矩阵做不同的线性变化，做出很多套降维的q,k,v来，并行的计算，出来之后会得到很多套乘过权重的输入数据，把大家连接起来就好
这样一来注意力机制中还可以有可学习参数，可以识别更多模式。
总结：注意力机制就是在输入数据上做文章，让重要的数据获得更大的权重。主要的方式是比较向量与其他的之间的相似度，也可以在比较之前加上线形层来有一些学习的空间。
transformer的总体结构：
可以看到，除了注意力机制外，这个网络还加上了残差网络的操作
最后它的工作流程是什么样的呢？例如：
首先是给input端输入信息（例如transformer使用了英语到德语的几万个句子，各个单词词根作为token），学习到各个token之间的注意力信息，知道那些词会联系在一起。然后output端会输入大量的单词（这个机器会的所有单词），进入之后先和已经输出了的结果单词（第一次运行的时候还没有）比较（也就是解码器端第一个注意力块的工作），将结果交到下一个，再利用编码器那边交给自己的各个token之间的注意力信息，结合最后的softmax(用来算概率)得到当前猜测的单词有多大概率适合放在这里。找到最适合的之后输出，这个单词也会加入一开始的结果单词列表中。
流程分析：
以英文翻译中文为例：一开始学习的时候，左边输入一个英文句子，通过注意力机制理解上下文，知道哪些单词之间有联系，把这个联系输入到右边。右边一开始要输入所有的汉字，先和已经输出的汉字比较（与其相关的权重高），在与左边输入的英文做相似度比较（也是注意力机制）（一开始可能没有学会不过我们有标准答案），计算各个词的概率选出最大的那个。选错的有loss值，可以回馈到两边，这样单词和单词，汉字和汉字，单词和汉字之间的关系可以学习的更清楚
