参考文献：https://www.jianshu.com/p/63943ffe2bab
https://zhuanlan.zhihu.com/p/49271699
bert-transformer中的点积运算优化
参考文献（bert源码实现）：https://blog.csdn.net/chenwu9745/article/details/100628957
在 self attention的计算过程中, 通常使用min batch来计算, 也就是一次计算多个句子，多句话得长度并不一致，因此，我们需要按照最大得长度对短句子进行补全，也就是padding零，但这样做得话，softmax计算就会被影响，输出其实有值，这样就会影响结果，这并不是我们希望看到得，因此在计算得时候我们需要把他们mask起来，填充一个负无穷（-1e9这样得数值），这样计算就可以为0了，等于把计算遮挡住。
长文本预测如何构造Tokens？
head-only：保存前 510 个 token （留两个位置给 [CLS] 和 [SEP] ）
tail-only：保存最后 510 个token
head + tail ：选择前128个 token 和最后382个 token（文本在800以内）或者前256个token+后254个token（文本大于800tokens）
Bert中如何获得词意和句意？
get_pooled_out代表了涵盖了整条语句的信息
get_sentence_out代表了这个获取每个token的output 输出，用的是cls向量
为什么要在Attention后使用残差结构？
残差结构能够很好的消除层数加深所带来的信息损失问题
