1. 卷积网络CNN主要依靠深度来捕捉长距离依赖。但这个过程太间接了，因为信息在网络中实际传播了太多层。究竟哪些信息被保留，哪些被丢弃了，弄不清楚。从实践经验来看，卷积网络捕捉长依赖的能力非常弱。这也是为什么在大多数需要长依赖关系建模的场景中，CNN用的并不多的原因。
2. RNN后一个词的计算需要用到前一个词的输出结果，所以理论上任何两个词的依赖RNN都能捕捉到。以信息流的方法来看，图中绿色箭头表明信息的流动方向。容易看到，不论是相隔多远的词，它们的信息一定会相聚在某一步计算中。
   上述是理论上的情况。实际中，因为RNN训练过程中容易出现梯度消失或梯度爆炸，所以它实际上很难把长依赖捕捉的比较好。有一些研究表明，不论是何种改进的RNN（如LSTM、GRU），它们一般捕捉长依赖的极限也就20个词的左右能力。
3. 不用看Transformer的公式，单看它的计算逻辑就能发现，它在计算任意一个词的新表征（特征）时，同时用到了其它所有词的信息。题主提到的数学期望其实是一个“加权和”。它是在计算得到所有attention score后，以加权和的形式来计算某一个词的新表征。