Attention is all you need

论文信息

论文地址：arxiv: 1706.03762

发表于NIPS 2017.

面试题自检

来自李沐老师的论文讲解视频-评论区

• Transformer为何使用多头注意力机制？（为什么不使用一个头）

• Transformer为什么Q和K使用不同的权重矩阵生成，为何不能使用同一个值进行自身的点乘？ （注意和第一个问题的区别）

• Transformer计算attention的时候为何选择点乘而不是加法？两者计算复杂度和效果上有什么区别？

• 为什么在进行softmax之前需要对attention进行scaled（为什么除以dk的平方根），并使用公式推导进行讲解

• 在计算attention score的时候如何对padding做mask操作？

• 为什么在进行多头注意力的时候需要对每个head进行降维？（可以参考上面一个问题）

• 大概讲一下Transformer的Encoder模块？

• 为何在获取输入词向量之后需要对矩阵乘以embedding size的开方？意义是什么？

• 简单介绍一下Transformer的位置编码？有什么意义和优缺点？

• 你还了解哪些关于位置编码的技术，各自的优缺点是什么？

• 简单讲一下Transformer中的残差结构以及意义

• 为什么transformer块使用LayerNorm而不是BatchNorm？LayerNorm 在Transformer的位置是哪里？

• 简答讲一下BatchNorm技术，以及它的优缺点。

• 简单描述一下Transformer中的前馈神经网络？使用了什么激活函数？相关优缺点？

• Encoder端和Decoder端是如何进行交互的？（在这里可以问一下关于seq2seq的attention知识）

• Decoder阶段的多头自注意力和encoder的多头自注意力有什么区别？(为什么需要decoder自注意力需要进行 sequence mask)

• Transformer的并行化提现在哪个地方？Decoder端可以做并行化吗？

• Transformer训练的时候学习率是如何设定的？Dropout是如何设定的，位置在哪里？Dropout 在测试的需要有什么需要注意的吗？

• 解码端的残差结构有没有把后续未被看见的mask信息添加进来，造成信息的泄露？