面对的问题是什么？
复杂输入，多个变长的向量
这里自然会想到RNN，后面会有比较
具体的场景，
可以是一段话，每个word一个向量，可以用one hot，但大多时候是用embedding
可以是一段印频，每25ms一个向量，按10ms滑动，可以看出音频的数据量是非常大的
也可以是一张图片。。。
输出当然有多种形式，这个和RNN也很像
但是我们这里只讨论第一种，输入n个向量，输出n个值
这种模型有多种选择，
最简单的，就是每个向量经过一个FC，得到一个值就好了，问题自然是没有上下文，比如例子I saw a saw，没法区分两个saw的不同
自然的改进，就是把上下文都传进FC，这里的window决定了context的大小，问题就在于window的大小如何选择
所以这里提出Self-attention模型
模型会对所有的向量，并给每个向量加上context，这个想法很直觉，问题是怎么做到的，参考Attention is all you need，名字霸气
注意模型是可以多层叠加的
首先定义attention
attention代表向量之间的相关性，有多种计算方法，最常用的是dot product，输入乘上参数矩阵后做点积
第一步，算attention score，query代表自己，key代表其他向量
第二步做归一化，soft-max是一种归一化方式，可以用其他
第三步根据attention值抽取各个向量信息，相关性越大attention越高，对应的向量在最终求和后的b中起的作用也越大
这样就把所有的context都融入到输入中，形成新的向量b
这里只是把上面的过程，变成矩阵计算
最终需要学习的参数，只有那一组W
后面看下Self-attention相关的研究
Multi-head，多头，相关性可能有多种，所以要用多头来建模不同的相关性
Self-attention是所有向量一起算的，和RNN不同，后面还会讲到，这样高效
但是丢失了位置信息，所以这个研究希望加入positional encoding来建模位置信息
前面说了Speech，音频信息是非常大的
self-attention模型本身是计算量很大的，所以如果向量太长就有问题
所以这里的思路就是要truncated，就是要tradeoff，那准确率换性能
这里很有意思，和CNN比较
结论是，CNN是简化的self-attention，反之，self-attention是泛化的cnn
这个也很直觉，CNN只是考虑卷积范围内的context，而self-attention是考虑全部的context
越是泛化的模型，越是需要更多的数据集，所以后面的试验也证明Self-Attention需要更多的训练集来达到效果
这里比较和RNN，结论就是大部分情况下，Self-Attention是可以替换到RNN的，技术变化的真快，现在RNN已经是昨日黄花了
原因主要是，Self-Attention更高效，并行算的，而RNN是一个个算过去
RNN保留context的机制更加复杂，而Self-Attention是自然的获得所有的context
GNN，也可以用Self-Attention，这样只需要算有edge的节点间的attention，更高效
Self-Attention有很多的变种，因为它作为transformer的主要技术，变种都叫各种former
但是基本都是在准确率和计算效率之间做tradeoff
- self-attention attention 笔记 selfself-attention attention笔记self self-attention self-attentive self-attention attention self self-attentive interaction attentive automatic recommendation self-attention sequential stochastic self-attention local-global interactions transformers self-attention representation functional attention self-attention attention self 4.1 self-attention注意力attention机制