一文彻底搞懂深度学习 - Transformer

文摘   科技   2024-11-07 23:39   湖北  
Transformer是一种基于自注意力(Self-Attention)机制的深度学习模型,最初由Vaswani等人在2017年的论文《Attention Is All You Need》中提出。它完全基于注意力机制构建,摒弃了传统的循环和卷积结构,用于解决自然语言处理领域的任务,如机器翻译、文本生成等。

Transformer

一、Transformer的本质

什么是TransformerTransformer模型是一种强大的深度学习架构,它利用自注意力机制和多头注意力来捕捉序列内部的依赖关系,并通过位置编码来引入位置信息。
Transformer的本质是什么?Transformer的本质是一个基于自注意力机制的编码器-解码器架构,它能够有效地处理序列到序列的任务,并捕捉输入序列中的长距离依赖关系。Transformer左边是N个编码器,右边是N个解码器,其中N为6。

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

在自注意力机制中,输入序列首先被转换为三个不同的表示:查询(Query)、键(Key)和值(Value)。这些表示通常是通过将输入序列与相应的权重矩阵相乘得到的。然后,计算查询与每个键之间的点积,得到注意力分数,这些分数反映了查询与每个键之间的相关性。

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。

选择加入即可获得:
1、10个专栏技术干货
2、1v1技术指导
3、每周读书分享
4、每月4次技术培训,每月1次技术实战
公众号一周年之际,答谢粉丝,特申请了100份星球优惠券

架构师带你玩转AI
分享人工智能,让所有人玩转AI
 最新文章