好，闲话少说。关于 self-attention 的训练阶段 http://jalammar.github.io/ill…，这篇文章写的已经很清楚，而且确实验证有效。那么今天扯一下该模型的预测是怎么做的。一. 预测流程及输入内容 1. 我们的 encode 的 input 是输入测试集编码（也就是和训练阶段输入一样），但 decode 的 input 是 0 向量（维度和训练时的输入相同）。2. 在预测时，encode 的 output 会传递到 decode 这边的 6 个 layer 作为其 k,v，随机 0 向量在第一步的时候作为 q 传入。（只在第一步作为 input 传入，然后开心训练）二. 但为什么传入的 q 为 0 矩阵，模型却能进行很好的预测呢。以我是中国人对应 i am a chinese 举例。1. 当 encode 训练好后，相对来说我是中国人对应的矩阵也就确定了，然后经过 encode 编码得到最终输入想 decode 的 output，也就是 k，v, 而在论文中 decode 这边一共有 6 层网络层（每层 3 个 sub-layer），这里的 kv 会输入到这 6 层的每一层，好，关键来了。模型怎么能够预测出我对应 i，这是最重要的一步也是最难理解的一步。在 decode 层，我们要弄清训练的什么，当我们训练好后的这些参数，其作用又是什么，实际上就是当我们传过来 kv 时，因为 kv 已知，是全局变量，我们能够看到，所以在 decode 中，i 的向量可以理解为当指定 kv 后，又知道训练好的参数矩阵，经过一系列编号，我们第一个的输出很大概率就是对应的 i 的向量，当输出为 i 向量时，即预测对了，然后预测 am，会把第一次 i 向量作为额外的 input 加到 q 上，继续进行预测。直到遇到结束向量。三. 问题思考 1. 论文里的 multi-head 为什么要这么做，事实上论文提出说因为发现多头效果更好，笔者认为因为每个头的参数是随机初始化，所以其学到的关于一句话关注的点就会不同，这样会加深对原句的学习能力，同时，8 头并行减少了训练时间。2. 为什么 position embedding 是 cos 和 sin，论文解释可以学到更长的序列关系，这点我还没弄懂。3.mask 是做什么用，使 decode 只考虑前面的，不考虑后面的，这点随意百度一下就可以了。该文不保证完全正确，只做参考。