transformer bert 多头自注意力

输入的（a1,a2,a3,a4）是最终嵌入，是一个(512,768)的矩阵；而a1是一个token，尺寸是768

a1通过wq权重矩阵，经过全连接变换得到查询向量q1；a2通过Wk权重矩阵得到键向量k2；q和k点乘就是值a12，a12就是a2对于a1的注意力值

依次得到a1,1，a1,2，a1,3，a1,4注意力，都是其他token相对于a1 token的注意力

此时(a1,1，a1,2，a1,3，a1,4)不是概率分布，需要经过softmax呈概率分布向量(a’1,1，a’1,2，a’1,3，a’1,4)，

此时，再把每个a经过v权重矩阵得到v1，v2，v3，v4向量

a’1,1×v1+a’1,2×v2+a’1,3×v3+a’1,4×v4=b1向量，b1是个768维向量，是a1的自注意力向量，综合了该token与其他所有tokens之间的关系

之后每个a都这么得到自己的自注意力向量，然后组合成(512,768)