encoder-decoder框架
在nlp任务中，比如机器翻译，encoder-decoder是一种比较常用的学习框架，将原文x输入到encoder中，encoder输出context c作为decoder的部分输入，这里的c就包含了原文x的所有信息。
RNN
RNN由于擅长处理序列特征，因此常被用在nlp任务中，经典的encoder-decoder框架就是基于RNN搭建而成。RNN的缺点在于其无法很好地并行化，这是由其工作原理决定的，当前时刻的输入依赖于上一时刻的输出，因此，其只能串行地运行
RNN+Attention
在上图中可以看到，encoder只输出一个context，decoder中的所有单词都基于相同的context，但是在机器翻译中这一点不符合直觉，因为翻译和原文中的单词通常是有对应关系的，所以对于每个decoder中的输入的hidden state都需要找到其对encoder中最感兴趣的hidden state。RNN存在长程梯度消失问题，对于较长的句子，很难希望通过将输入的序列转化为定长的向量来保存所有信息，Attention机制也能克服这个问题。
具体算法：
假设encoder 的每个hidden state 是 key,同时hidden state也是value, 则encoder会产生一个键值对，decoder的hidden state是query，那么在attention机制中，计算query的attention的方法就是：先计算query与encoder中所有key的相似性，把这个相似性作为权重，得到 各个key-value对的加权和作为query的attention输出。
RNN+Attention+Self attention
Attention 是encoder和decoder之间的机制，而self attention 则是encoder或者decoder内部的机制。因为一句话是有上下文的，一句话中的单词可能依赖于这句话中的其他单词，比如：”我喜欢吃火锅，不喜欢吃醋“ 这句话中”喜欢“对“火锅“应该有比较高的关注度，”不喜欢“对“醋”有比较高的关注度。具体实现方式与attention类似，只需要在encoder或者decoder内部加一个或多个attention layer就可以实现self attention。
Transformer
前面介绍的都是基于RNN的encoder-decoder模型，但是RNN本身的问题是无法并行化，Transformer 也有encoder和decoder两部分，它完全抛弃了RNN的结构，只用了Attention和self-attention，因此，Transformer相比之前基于RNN的模型更易并行化。
模型结构
Encoder 部分
输入一个sentence的embedding，先输入到一个self attention层，进行layer-norm之后进入到后面的 fully connected feed forward network中，encoder的output就是ffn 的输出加上layer norm之后的结果。
Decoder 部分
与encoder的区别在于decoder中会有来自encoder的cross-attention，并且decoder中attention信息的流动是单向的，decoder的input在self attention时只能“看到”其前部的信息，而“看不到”后面的信息，Transformer的这种结构使得其属于 language generation 模型。
Scaled-dot-product attention
attention 中最核心的是三个 数组：key，query和value， scaled-dot-product attention 就是用内积衡量query和key之间的相似性，并将其作为key对应value的权重。
Multi-head attention
论文提出了一种新的attention机制： Multi-head attention。它基于 Scaled-dot-product attention 而来， 它先将 key,query和value投影到n个指定大小的子空间中，然后在各个子空间分别做 scaled-dot-product attention，最后将n个子空间的attention的输出concat 在一起，然后最后经过一个线性变换将输出投影到指定大小的空间中。
Fully connected feed-forward network
-- position-wise feed-forward network
全连接前馈神经网络，论文中用了文本领域常用的一维卷积来实现
Positional Encoding
由于encoder的input中的token会关注所有其他token，而且到现在为止整个模型并没有考虑输入的顺序，所以将输入随便排序都不会影响结果，为了考虑序列顺序信息，论文将每个位置的input都加上其对应的positional encoding，其计算公式如下：
实验
论文主要在machine translation数据集上进行了实验，包括了WMT 2014 English-to-German translation task 和 WMT 2014 English-to-French translation task 。结果当然也证明了该方法的有效性了。