请讲讲Transformer中的并行化，以及为什么注意力计算中要除以根号dk？

回答思路

1. 说明序列内并行计算（自注意力矩阵乘法）与层内并行（多头注意力）
2. 解释训练时跨序列/批量并行（数据并行、模型并行、张量并行）
3. 解释除以根号dk的数学原因：防止点积过大导致softmax梯度消失
4. 说明缩放因子的合理性与替代方案（如Xavier初始化）