本文主要是介绍【Transformer】基本概述，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
提出背景
在Transformer模型出现之前，循环神经网络（RNN）及其变体，如长短期记忆网络（LSTM）和门控循环单元（GRU），是处理序列数据的主流方法。但是RNN系列模型存在一些固有的问题，如难以并行化处理、对长距离依赖的捕捉能力有限等。为了解决这些问题，Transformer模型应运而生，于2017年由Vaswani等人在2017年提出，并发表在NeurlPS上。
与RNN系列相比Transformer的优势
-
并行化处理：Transformer模型通过自注意力机制，可以在处理序列数据时实现高度的并行化，因为每个位置的计算不依赖于前一个位置的隐藏状态，这与RNN系列模型形成鲜明对比。
-
长距离依赖：自注意力机制使得Transformer模型能够有效地捕捉序列中的长距离依赖关系，而RNN系列模型在这方面表现较差，尤其是当序列非常长时。
-
灵活性和可扩展性：Transformer模型不依赖于序列的顺序，因此在处理不同长度的序列时更加灵活。此外，它还可以轻松地扩展到更大的数据集和更复杂的任务。
核心思想—注意力机制
Transformer的核心思想，就是抛弃传统的递归（recurrence）或者卷积（convolutions）模块，完全采用注意力机制（attention mechanisms），允许模型在处理序列的每个元素时，都能考虑到序列中的所有其他元素，因此，这种机制就使得模型能够更好地捕捉序列内部的长距离依赖关系。
流程解析
Transformer模型的结构主要由编码器（Encoder）和解码器（Decoder）两大部分组成。
- 编码器由多个相同的层堆叠而成，每层包含两个主要部分：多头自注意力机制（Multi-Head Self-Attention）和前馈神经网络（Feed-Forward Neural Network）。但也不要忘了还有normalization和residual connection部分，这两部分也是非常关键。
- 解码器结构与编码器类似，区别主要是两点：在多头自注意力机制中增加了Masked策略（也是后来decoder-only大模型方法实现next-prediction的核心操作），以及增加了一个额外的cross-attention机制，用于关注编码器的输出。
下图是原始论文中的结构图，我把它按照重要程度划分为了7个部分，其中红色的前五个部分最为重要（面试官最喜欢考验候选人的部分），必须要深入理解和掌握，蓝色的后两个部分是相对次要但也要深入理解。
后续我对这个7个部分分别进行讲解，并结合代码进行深入理解。
参考资料
- [1] https://www.bilibili.com/video/BV1FH4y157ZC/?share_source=copy_web&vd_source=79b1ab42a5b1cccc2807bc14de489fa7
这篇关于【Transformer】基本概述的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
