在机器翻译中，输入是一个句子，输出是另一种语言的句子，如下图所示： 即由编码组件、解码组件以及连接层构成，如下图所示： 其中编码器由6个编码器单元构成，解码器由6个解码器单元构成，如下图所示： 其中，编码器单元结构完全相同，但是不共享参数，由self-attention和feedforward组成，self-attention的输出流向一个前向网络，每个输入位置对应的前向网络是独立互不干扰的。如下图左部分所示，解码器增加了一个attention层，该层有助于解码器能够关注到输入句子的相关部分，如图右部分所示：
词的词向量化只发生在最底层的编码器，此时，每个编码器都会接收向量的list（每个list都是512的词向量），只不过其他编码器向量的输入是上一个编码器的输出。list的尺寸是可以设置的超参，通常是训练集的最长句子的长度。
计算attention的分值时，对"Thinking machine"这一句话来说，对thinking计算attention的分值，我们要计算每个词与thinking的评分，这意味着在编码thinking时，每个输入词有多少集中关注度，这个分值，通过“Thinking”对应query-vector与所有词的key-vec依次做点积得到。所以当我们处理位置#1时，第一个分值是q1和k1的点积，第二个分值是q1和k2的点积。 除以8(=对key的维度开根号的值)，这样梯度会更稳定。然后加上softmax操作，归一化分值使得全为正数且加和为1。
softmax分值决定着在这个位置，每个词的表达程度（关注度）。这个位置的词应该有最高的归一化分数，但大部分时候总是有助于关注该词的相关的词。
第五步，将softmax分值与value-vec按位相乘。保留关注词的value值，削弱非相关词的value值。 第六步，将所有加权向量加和，产生该位置的self-attention的输出结果。 上述就是self-attention的计算过程，生成的向量流入前向网络。 计算self-attention的具体公式如下所示： 论文中还使用multi-headed引入到self-attention中,如下两个方面提高了attention层的效果： 多头机制扩展了模型集中于不同位置的能力。在上面的例子中，z1只包含了其他词的很少信息，仅由实际自己词决定。在其他情况下，比如翻译 “The animal didn’t cross the street because it was too tired”时，我们想知道单词"it"指的是什么。 多头机制赋予attention多种子表达方式。像下面的例子所示，在多头下有多组query/key/value-matrix，而非仅仅一组（论文中使用8-heads）。每一组都是随机初始化，经过训练之后，输入向量可以被映射到不同的子表达空间中。
编码器从输入序列的处理开始，最后的编码器的输出被转换为K和V，它俩被每个解码器的"encoder-decoder atttention"层来使用，帮助解码器集中于输入序列的合适位置。
在解码器中的self attention 层与编码器中的稍有不同，在解码器中，self-attention 层仅仅允许关注早于当前输出的位置。在softmax之前，通过遮挡未来位置（将它们设置为-inf）来实现。 "Encoder-Decoder Attention "层工作方式跟multi-headed self-attention是一样的，除了一点，它从前层获取输出转成query矩阵，接收最后层编码器的output做key和value矩阵。
参考文章： 【1】The Illustrated Transformer 【2】 Attention和Transformer 【3】The Illustrated Transformer
