Transformer
一、Transformer的本质
二、Transformer的架构
Transformer的架构是什么？Transformer遵循编码器-解码器总体架构，使用堆叠的自注意力机制和全连接层，分别用于编码器和解码器，如图中的左半部分和右半部分所示。
自注意力（Self- Attention）机制是什么？自注意力机制用于计算输入序列中各个元素之间的相关性，并据此更新每个元素的表示。与传统的注意力机制不同，自注意力机制不需要外部信息或额外的查询（Query）来引导注意力的分配，而是仅依赖于输入序列本身。
Transformer注意力机制有哪些？Transformer模型中注意力机制有三个主要用途。Encoder中的Self-Attention用于捕捉输入序列内部各元素之间的关系，Decoder中的Self-Attention用于生成目标序列时考虑已生成的部分，而Decoder中的Encoder-Decoder-Attention则用于将输入序列的信息融入到目标序列的生成过程中。
Transformer的核心组件有哪些？Transformer模型包含输入嵌入、位置编码、多头注意力、残差连接和层归一化、带掩码的多头注意力以及前馈网络等组件。
输入嵌入：将输入的文本转换为向量，便于模型处理。
位置编码：给输入向量添加位置信息，因为Transformer并行处理数据而不依赖顺序。
多头注意力：让模型同时关注输入序列的不同部分，捕获复杂的依赖关系。
残差连接与层归一化：通过添加跨层连接和标准化输出，帮助模型更好地训练，防止梯度问题。
带掩码的多头注意力：在生成文本时，确保模型只依赖已知的信息，而不是未来的内容。
对输入进行非线性变换，提取更高级别的特征。
为了帮助更多人（AI初学者、IT从业者）从零构建AI底层架构，培养Meta Learning能力；提升AI认知，拥抱智能时代。
建立了 架构师带你玩转AI 知识星球
【架构师带你玩转AI】：公众号@架构师带你玩转AI 作者，资深架构师。2022年底，ChatGPT横空出世，人工智能时代来临。身为公司技术总监、研发团队Leader，深感未来20年属于智能时代。
