Transformer的优点主要包括以下几点：
1. 完全基于Attention机制，解决了输入输出的长期依赖问题。
2. 具有并行计算的能力，大大减少了计算资源的消耗。
3. self-attention模块让源序列和目标序列首先“自关联”起来，使源序列和目标序列自身的embedding表示所蕴含的信息更加丰富，而且后续的FFN层也增强了模型的表达能力。
4. Multi-Head Attention模块使得Encoder端拥有并行计算的能力。
5. 相对于拥有残差结构和卷积结构的深度学习模型，其网络结构更加简单，训练和推理速度更快。
6. 在一些特定的任务上能取得更好的测试效果，例如语言建模、机器翻译等。
7. 拥有更高的并行度，并作为了谷歌云推荐的TPU（Tensor Processing Unit）推导模型。
Transformer具有很多优点，使其成为一种强大而有效的深度学习模型。
