模型流程：
1. 文字序列首先被分成token，把token的序号输入模型， 输入张量的维数为(B,T), B是批次大小（也就是同时处理几段文字），T是文字的长度
2. 分别对token和位置进行编码，每个token序号都映射为维数为C的向量，每个位置(不超过某个最大值T_max)也映射为维数为C的向量，这样我们得到了两个维数为(B,T,C)的张量，再把两个张量相加，得到一个维数为(B,T,C)的张量用于后续处理
3. 把张量输入到顺次连接的Transformer块中。一个Transformer块有nH个Transformer头，每个头输出的维数为(B,T,C/nH)，它们并起来维数仍然为(B,T,C), 计算后再经过LayerNorm正则化，再经过两层线性层和再一次正则化，得到的结果仍是维数为(B,T,C)的张量，这样的张量再次输入到下一个Transformer块。
3.1. 其中，注意力头内部的机制是Transformer最精妙的地方。同一组张量输入到三个尺寸相同的线性层中，分别得到Q,K,V三个张量，它们分别表示query，key，value，然后使用公式
softmax(M+QK^T/sqrt{N})V
得到输出结果。其中，M是casual mask，表示屏蔽了未来的token，只根据过去信息进行预测。
4. 使用一个线性层得到logits，它表示未归一化的token概率, 形状为(B, N_tokens), 其中N_tokens是不同token的总量
5. 在推理时，用softmax把logits转化为概率，并依照概率采样下一个token. 然后，把新token加到context的末尾再次运行1~5步骤，如此循环就可以生成文本。在训练时，使用交叉熵函数，计算logits和真实的下一个token之间的交叉熵损失并进行梯度反传，更新模型参数。
