破解transformer八股，快问快答
包大人今天班车日更第31天，从思路上给你关于transformer八股文，一点不一样的启发。
其实有关深度学习的八股文问题，在面试中特别好答，有几个关键点，让数据分布变好，让模型好训练，增加表达能力等。
这些玄学结论都是一些实验导向的结论，很难从理论上完备推导的。你把这些基本点，在面试时候基本能说个八九不离十，如果能结合细节随便谈谈，基本上就稳了。实际上，整个深度学习的发展大概也是这么些路子。
好了，那么我们以transformer为例，搞个八股文快问快答。其中前六个也是我面试必问的题目..
1.写出selfattention的公式表达。
Sofmax(QK/sqrt(dk))V
2.为什么上面那个公式要对QK进行scaled
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。
3.self-attention一定要这样表达吗？
不需要，能刻画相关性，相似性等建模方式都可以。最好速度快，模型好学，表达能力够。
4.有其他方法不用除根号dk吗？
有，同上，只要能做到每层参数的梯度保持在训练敏感的范围内，不要太大，不要太小。那么这个网络就比较好训练。方式有，比较好的初始化方法，类似于google的T5模型，就在初始化把这个事情干了。
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。
班车时间有限，先写这么多，如果你在面试中碰到，或者觉得有比较好的八股问题，写在评论区吧，下期一起回答了~
历史精彩文章：
【段子】让算法工程师崩溃的瞬间
【技术】一文讲解各种机器学习算法选型思路
【技术】扎实入门机器学习的路子
【技术】工业界文本分类避坑指南
【闲谈】算法工程师也有35岁危机吗
【闲谈】如何看顶会论文上关于泄露的乌龙
