.1.Transformer为何使用多头注意力机制？（为什么不使用一个头）
.2.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？ （注意和第一个问题的区别）
.3.Transformer计算attention的时候为何选择点乘而不是加法？两者计算复杂度和效果上有什么区别？
.4.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
.5.在计算attention score的时候如何对padding做mask操作？
.6.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）
.7.大概讲一下Transformer的Encoder模块？
.8.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？
.9.简单介绍一下Transformer的位置编码？有什么意义和优缺点？
.10.你还了解哪些关于位置编码的技术，各自的优缺点是什么？
.11.简单讲一下Transformer中的残差结构以及意义。
.12.为什么transformer块使用LayerNorm而不是BatchNorm？LayerNorm 在Transformer的位置是哪里？