多头是为了用不同的权重初始化线性变换
Self-attention 输出的新词向量比输入的词向量有更多的句法特征和语义特征
Multi-Head self-attention 输出的新词向量 比 self-attention 得到的词向量包含更多的
头的个数用 h 表示，一般 h=8 。并不是直接用输入 X 做Attention 计算，而是先把 X 分成 8 块（分别位于8个子空间），分别计算得到 8 个新词向量，然后把它们拼起来，再做一次线性变换（改变维度与 X 匹配）得到最终词向量
机器学习的本质：非线性变换 y = activation(wx+b)，把一个向量从一个位置变换到另一个位置上
多头的作用：把一个向量拆分成8个子向量，8个向量同时优化，可以更快的收敛到合适的位置。分太多也不好。
词向量一般 512 维，分 8 块；若是视频向量 5120，可以分 80 块
参数量更大，8套参数(Wq,Wk,Wv)