transformer模型由encoder,decoder构成，每一个encoder分为六层，每一层又分为一个前馈网络和一个多头注意力层。decoder也分为六层，每一层都由两个注意力层和一个前馈网络组成，一个是自注意力层，一个是和encoder最终输出组成的注意力层。下面是利用transformer模型实现机器翻译的简单例子，框架用的是tensorflow。训练部分import reimport

1.Bert模型 简介 BERT的全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder，因为decoder是不能获要预测的信息的。模型的主要创新点都在pre-train方法上，即用了Masked LM和Next Sentence Prediction两种方法分别捕捉词语和句子级别的repre

1.SurfaceFlingerSurfaceFlinger进程在解析init.rc文件时就被启动了。SufaceFlinger绘制流程实际上是一个生产着消费者模型。客户端Surface持有BpBufferQueueProducer，通过它来向Server端的BufferQueue填充数据。SufaceFlinger作为消费者，把BufferQueue中的数据取出来，进行合成，最终渲染到屏幕上。2