暑期实习基本结束了，校招即将开启。
不同以往的是，当前职场环境已不再是那个双向奔赴时代了。求职者在变多，HC 在变少，岗位要求还更高了。提前准备才是完全之策。
最近，我们又陆续整理了很多大厂的面试题，帮助一些球友解惑答疑，分享技术面试中的那些弯弯绕绕。
总结链接如下：
Transformer的起源：Google Brain 翻译团队通过论文《Attention is all you need》提出了一种全新的简单网络架构——Transformer，它完全基于注意力机制，摒弃了循环和卷积操作。
注意力机制是全部所需
正如论文标题所言“注意力机制是全部所需”，强调了注意力机制是Transformer架构的核心要素，就如同人的心脏一样，充当着发动机的作用。
那么单头注意力和多头注意力到底是什么？它们两者有哪些联系和区别？让我们一起跟着动画来解读吧。
单头注意力
通过生成查询、键和值向量，计算并归一化注意力分数，最终对值向量进行加权求和，从而得到输入序列中每个位置的加权表示。
单头注意力机制的工作流程如下：
生成查询、键和值：接收一个由嵌入向量组成的输入序列。使用三个不同的线性变换（或称为全连接层）将输入序列分别映射为查询（Q）、键（K）和值（V）向量。
计算注意力分数：计算查询向量与所有键向量之间的点积，得到注意力分数矩阵。这些分数反映了查询与序列中每个位置的相关性。
缩放注意力分数：为防止点积结果过大导致softmax进入饱和区，可以将注意力分数除以一个缩放因子（通常是键向量维度的平方根）。
归一化注意力分数：应用softmax函数对注意力分数矩阵进行归一化，得到注意力权重矩阵。归一化后的权重矩阵每行之和为1，表示序列中每个位置的注意力权重。
加权求和：使用归一化后的注意力权重对值向量进行加权求和。加权求和的结果是自注意力机制的输出，它包含了根据注意力权重对输入序列中所有位置信息的加权整合。
单头注意力工作流程
多头注意力：
通过将输入的查询、键和值矩阵分割成多个头，并在每个头中独立计算注意力，再将这些头的输出拼接并线性变换，从而实现在不同表示子空间中同时捕获和整合多种交互信息，提升模型的表达能力。
多头注意力机制工作流程如下：
初始化参数：首先，初始化查询（Q）、键（K）、值（V）矩阵的权重以及多头注意力中的头数（h）。这些权重将用于后续的线性变换。
线性变换：对输入的查询、键和值矩阵进行线性变换，生成各自的变换矩阵。这些变换是通过将输入矩阵与相应的权重矩阵相乘来实现的。
分割：将线性变换后的查询、键和值矩阵沿着深度（通常是最后一个维度）分割成多个头（h个）。每个头都会得到自己独立的查询、键和值矩阵。
多头并行计算：在每个头中独立地执行注意力得分来计算加权求和。
拼接：将所有头的输出矩阵沿着深度维度拼接在一起，形成一个大的输出矩阵。
最终线性变换：对拼接后的输出矩阵进行线性变换，得到多头注意力的最终输出。这个线性变换通常包括一个可学习的权重矩阵和一个偏置项。
残差连接与层归一化：多头注意力模块通常会与残差连接和层归一化一起使用，以提高模型的训练稳定性和性能。
多头注意力工作流程
两者的联系和区别
两者在基本原理和目的上是相似的，但在注意力头的数量、信息捕捉与表达能力、计算复杂度与训练难度以及输出结果等方面存在显著的差异。
这些差异使得多头注意力在处理复杂任务时通常具有更好的性能。
两者的联系
基本原理：两者都基于注意力机制，通过计算查询（Query）、键（Key）和值（Value）之间的相似度来确定输入的加权表示。
目的：都是为了让模型能够关注到输入序列中重要的信息，从而提高模型的性能。
两者的区别
- 注意力头的数量：
单头注意力：只有一个注意力头，即只计算一次查询、键和值之间的相似度。
多头注意力：拥有多个独立的注意力头，每个头都会独立地计算查询、键和值之间的相似度。这允许模型同时关注输入序列的不同部分。
- 信息捕捉与表达能力：
单头注意力：只能关注一个方面，信息捕捉能力有限。
多头注意力：通过多个头的并行处理，能够捕捉到更多样化的特征，提高了模型的表达能力和泛化性能。这种机制使得多头注意力能够关注到句子更多层面的信息，例如罕见词、多义词、反义词等。
- 计算复杂度与训练难度：
单头注意力：计算复杂度相对较低，训练也较为简单。
多头注意力：虽然增加了计算复杂度，但通常可以通过并行计算来优化。同时，它也需要更多的训练数据和计算资源来优化模型。然而，这些额外的投入通常能够带来模型性能的显著提升。
- 输出结果：
单头注意力：直接输出一个加权表示。
多头注意力：每个头都会输出一个加权表示，然后将这些表示拼接在一起，并经过一个额外的线性变换，得到最终的输出。
单头注意力和多头注意力
