1 transformer最经典的理解：
http://jalammar.github.io/illustrated-transformer/
2 位置编码
相对位置编码(relative position representation)：https://zhuanlan.zhihu.com/p/397269153
Transformer中的相对位置编码(Relative Position Embedding)：https://blog.csdn.net/chenf1995/article/details/122971023?spm=1001.2014.3001.5502
Swin Transformer之相对位置编码详解：https://zhuanlan.zhihu.com/p/577855860
https://kazemnejad.com/blog/transformer_architecture_positional_encoding/
3 理解，计算哪个词的注意力结果，就是以哪个词为位置中心进行计算，得到其他词的相对位置，相对位置也是直接查表，其他的词相对于中心词的位置不同，在加上词向量本身，就能得到不同的结果
如果我们以其中一个单词为中心，那么其有左边也有右边的单词，假设我们一个句子的长度为5，那么将有9个embedding向量可学习，一个embedding向量表示当前词，其中4个embedding向量用来表示其左边的单词，另外4个embedding向量来表示其左边的单词。为什么是9个embedding向量呢？因为我们在实际计算时候，5个单词都有可能作为中心词。上图中以第5个位置(索引为4)的单词为中心，那么其左边的单词的编号为：-1，-2，-3，-4，右边的单词的编号为：+1，+2，+3，+4 。
对于第一个位置的单词“I”，当transformer计算“I”跟“therefore”的attention信息时候，"therefore"会采用第6个位置编码，因为我们是以第4个索引为中心，“therefore”是位于“I”的右边相对于“I”的相对距离为2，所以其采用的是第6个embedding向量。
跟之前一样，当计算到第二个“I”和其他单词的attention信息时，如计算其跟左边“therefore”的attention信息，那么“therefore”采用的位置编码为第3个embedding向量，因为它在“I”的左边相对于“I”偏离1个距离，索引应该采用第3个embedding向量。
注意，有两个位置编码向量需要学习，一个是为了计算zi,一个是为了计算eij。最大的长度也会被考虑在内，如果我们中间索引为k,那么会有2k+1个相对位置编码向量需要学习，其中k个是其左边的，k个是其右边的，还有一个属于自己。如果长度超过2k+1，那么其右边超过k的全部置为k，左边超过k的全部置为0。下面是个长度为10的句子的例子，其中k=3，那么它到相对位置编码表中拿向量的索引为：
这么做的原因有：
1.作者认为超出范围的位置还采用精准的位置编码时没必要的
2.clip最大长度是的模型可以学到训练集中没见过的长度
3.1 对比，在计算过程融入相对位置信息即可
对比两种计算方式，比较容易看出来，其实是在计算zi的时候，计算完j跟权重w后加上i相对于j的相对位置编码。而在计算eij时候同理，计算完j跟权重w后加上ij的相对位置编码。注意这里两种权重矩阵是不同的，理解transformer中的q,k,v 这三个向量分别对应过去。