1、Transformer为何使用多头注意力机制？（为什么不使用一个头）
为什么Transformer 需要进行 Multi-head Attention？ - 知乎 注解：简单回答就是，多头保证了transformer可以关注到不同子空间的信息，捕捉到更加丰富的特征信息。
2、Transformer中的Q,K,V到底是什么？ 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？
transformer中为什么使用不同的K 和 Q， 为什么不能使用同一个值？ - 知乎
注解：简单回答就是，两个向量的点乘表示两个向量的相似度， 如果在同一个向量空间里进行点乘，理所应当的是自身和自身的相似度最大，那会影响其他向量对自己的作用，使用Q/K/V不相同可以保证在不同空间进行投影，增强了表达能力，提高了泛化能力。
3、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
八股，让softmax输入的数据分布变好，数值进入梯度敏感区间，能防止梯度消失，让模型好训练
为什么在进行softmax之前需要对attention进行scaled（为什么除以 d_k的平方根）_ytusdc的博客
4、在计算attention score的时候如何对padding做mask操作？
这里是因为padding 都是0，e0=1, 但是softmax的函数，也会导致为padding的值占全局一定概率，mask就是让这部分值取无穷小，让他再softmax之后基本也为0，不去影响非attention socore的分布
5、简单介绍一下Transformer的位置编码？有什么意义和优缺点？
对于任何一门语言，单词在句子中的位置以及排列顺序是非常重要的，它们不仅是一个句子的语法结构的组成部分，更是表达语义的重要概念。一个单词在句子的位置或排列顺序不同，可能整个句子的意思就发生了偏差
当抛弃循环神经网络结构，完全采用Attention取而代之，这些词序信息就会丢失，模型就没有办法知道每个词在句子中的相对和绝对的位置信息。因此，有必要把词序信号加到词向量上帮助模型学习这些信息，位置编码（Positional Encoding）就是用来解决这种问题的方法。
6、你还了解哪些关于位置编码的技术，各自的优缺点是什么？
7、简单讲一下Transformer中的残差结构以及意义。
8、为什么transformer块使用LayerNorm而不是BatchNorm？LayerNorm 在Transformer的位置是哪里？
对于使用场景来说，BN在MLP和CNN上使用的效果都比较好，在RNN这种动态文本模型上使用的比较差。
BN在MLP中的应用。 BN是对每个特征在batch_size上求的均值和方差，如果BN应用到NLP任务，相当于是在对默认了在同一个位置的单词对应的是同一种特征，
layer_norm针对的是文本的长度，整条序列的文本，所以比bn好
9、 Transformer 相比于 RNN/LSTM，有什么优势？为什么
（1） RNN 系列的模型，并行计算能力很差， 但其实真实的耗时从业务上来讲，长query，transformer更快，短query，lstm更快。
（2）Transformer 的特征抽取能力比 RNN 系列的模型要好，transform可以动态建立输入序列的长程依赖关系，类似于一层全链接，
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？
简单描述一下wordpiece model 和 byte pair encoding，有实际应用过吗？
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？
引申一个关于bert问题，bert的mask为何不学习transformer在attention处进行屏蔽score的技巧？
放弃幻想，全面拥抱Transformer：自然语言处理三大特征抽取器（CNN/RNN/TF）比较
放弃幻想，全面拥抱Transformer：自然语言处理三大特征抽取器（CNN/RNN/TF）比较 - 知乎
5.为什么transformer用Layer Norm有什么用？
八股，让神经网络各层参数输入的数据分布变好，数值进入梯度敏感区间，能防止梯度消失，让模型好训练。
6.为什么不用BN？
两个，NLP不定长，好多位置填0，影响其他样本非0参数的计算。
Transformer的模型比较大，BS拉不大，容易变得不稳定
7.Bert为什么要搞一个position embedding？
八股，增强表达能力（位置上的）。因为transformer对位置不敏感，需要显示标示
8.Bert为什么三个embedding可以相加？
9.transformer为什么要用三个不一样的QKV？
八股，增强网络的容量和表达能力。
10.为什么要多头？
八股，增强网络的容量和表达能力。
11.为什么Bert中要用BPE这样的subword Token
能很好的解决单词上的OOV，在语义粒度是比较合适的表达。
-- 为什么Transformer中很少使用激活函数？
介绍BERT/Transformer原理，结构
介绍视觉Transformer及代表性网络
Transformer中的Position Embedding是怎么实现的？为什么？
bert对小样本学习fine-tune的时候有什么优化方法
手写Transformer
Transformer 中的 positional embedding https://zhuanlan.zhihu.com/p/359366717
