动动发财的小手，点个赞吧！
自从最新的Large Language Models（LLaM）发布以来，如OpenAI的GPT系列、开源模型Bloom或谷歌发布的LaMDA等，Transformer展现出了巨大的潜力，成为了深度学习的前沿架构楷模。
尽管已经有几篇文章介绍了 transformer 及其背后的数学原理，但在本文中，我想结合我认为最好的方法和我的观点，给出一个完整的概述。自己的观点和使用 Transformer 模型的个人经验。
本文试图对 Transformer 模型进行深入的数学概述，展示其强大的来源并解释其每个模块背后的原因。
自然语言处理（NLP）简介
在开始使用 Transformer 模型之前，有必要了解创建它们的任务，即处理文本。
由于神经网络使用 Tensor ，为了将文本输入神经网络，我们必须首先将其转换为数字表示。将文本（或任何其他对象）转换为数字形式的行为称为嵌入。理想情况下，嵌入式表示能够再现文本的特征，例如单词之间的关系或文本的情感。
有几种方法可以执行嵌入，本文的目的不是解释它们，而是我们应该了解它们的一般机制和它们产生的输出。如果您不熟悉嵌入，只需将它们视为模型架构中将文本转换为数字的另一层。
最常用的嵌入作用于文本的单词，将每个单词转换为一个真正高维度的向量（将文本划分为应用嵌入的元素称为标记）。在原始论文中，每个标记/单词的嵌入维度为 512。重要的是要注意向量模数也已归一化，因此神经网络能够正确学习并避免梯度爆炸。
嵌入的一个重要元素是词汇。这对应于可用于提供 Transformer 模型的所有标记（单词）的集合。词汇不一定只是句子中使用的词，而是与其主题相关的任何其他词。例如，如果 Transformer 将用于分析法律文件，则与官僚行话相关的每个词都必须包含在词汇表中。请注意，词汇表越大（如果它与 Transformer 任务相关），嵌入越能够找到标记之间的关系。
除了单词之外，词汇表和文本序列中还添加了一些其他特殊标记。这些标记标记文本的特殊部分，如开头 、结尾 或填充 （添加填充以使所有序列具有相同的长度）。特殊标记也作为向量嵌入。
在数学中，嵌入空间构成了一个归一化向量空间，其中每个向量对应一个特定的标记。向量空间的基础由嵌入层能够在标记之间找到的关系确定。例如，一个维度可能对应以-ing结尾的动词，另一个维度可能是具有积极意义的形容词等。此外，向量之间的角度决定了标记之间的相似性，形成具有语义关系的标记簇。
虽然只提到了文本处理的任务，但实际上 Transformer 是为处理任何类型的顺序数据而设计的。
Transformer 的工作流程
上图是近几年深度学习研究中被复制最多的图表之一。它总结了 Transformers 的完整工作流程，代表了流程中涉及的每个部分/模块。
更高的透视图将 Transformers 分为 Encoder（图中左侧蓝色方块）和 Decoder（右侧蓝色方块）。
为了说明 Transformers 的工作原理，我将使用从西班牙语到英语的文本翻译示例任务。
- 编码器的目标是找到输入序列的标记之间的关系，即要翻译成西班牙语的句子。它获取西班牙语句子作为输入（在应用嵌入之后）并输出由注意力机制加权的相同序列。从数学上讲，编码器在西班牙语标记的嵌入空间中执行转换，根据向量在句子含义中的重要性对向量进行加权。
我还没有定义注意力是什么，但基本上可以将其视为一个函数，该函数返回一些系数，这些系数定义了句子中每个单词相对于其他单词的重要性。
- 另一方面，解码器首先将翻译后的英文句子作为输入（原图中的输出），应用注意力，然后在另一个注意力机制中将结果与编码器的输出结合起来。直观地，解码器学习将目标嵌入空间（英语）与输入嵌入空间（西班牙语）相关联，以便它找到两个向量空间之间的基础变换。
为清楚起见，我将使用符号源输入来指代编码器的输入（西班牙语的句子），使用目标输入来指代解码器中引入的预期输出（英语的句子）。该符号将在本文的其余部分保持一致。
现在让我们仔细看看转换器的输入（源和目标）和输出：
正如我们所见，Transformer 输入文本被嵌入到高维向量空间中，因此输入的不是句子，而是向量序列。然而，存在更好的数学结构来表示向量序列，即矩阵！更进一步，在训练神经网络时，我们不会逐个样本地训练它，而是使用包含多个样本的批次。生成的输入是形状为 [N, L, E] 的张量，其中 N 是批量大小，L 是序列长度，E 是嵌入维度。
至于 Transformer 的输出，应用了一个 Linear + Softmax 层，它产生一些输出概率（回想一下，Softmax 层输出定义类的概率分布）。 Transformer 的输出不是翻译后的句子，而是词汇表的概率分布，它决定了概率最高的单词。请注意，对于序列长度中的每个位置，都会生成概率分布以选择具有更高概率的下一个标记。由于在训练期间 Transformer 一次处理所有句子，我们得到一个 3D 张量作为输出，它表示形状为 [N, L, V] 的词汇标记的概率分布，其中 N 是批量大小，L 是序列长度，并且V 词汇长度。
最后，预测的标记是概率最高的标记。
如 NLP 简介部分所述，嵌入后的所有序列都具有相同的长度，这对应于 Transformer 可以引入/产生的最长可能序列。
训练与预测
对于本文第 1 部分的最后一节，我想强调一下 Transformer 的训练阶段与预测阶段。
如前一节所述，Transformer接受两个输入（源和目标）。在训练期间，Transformer 能够一次处理所有输入，这意味着输入张量仅通过模型一次。输出实际上是上图中呈现的 3 维概率张量。
相反，在预测阶段，没有目标输入序列来提供给 Transformer（如果我们已经知道翻译的句子，我们就不需要深度学习模型来进行文本翻译）。那么，我们输入什么作为目标输入呢？
正是在这一点上，Transformer的自回归行为暴露无遗。 Transformer 可以在编码器中一次处理源输入序列，但对于解码器的模块，它会进入一个循环，在每次迭代中它只生成序列中的下一个标记（词汇标记上的行概率向量）。然后将具有较高概率的所选标记再次输入为目标输入，因此 Transformer 始终根据其先前的预测来预测下一个标记（因此具有自回归意义）。但是在第一次迭代时输入的第一个标记应该是什么？
还记得 NLP 简介部分的特殊标记吗？作为目标输入引入的第一个元素是标记句子开头的开始标记 。
总结
这部分介绍了更好地理解 Transformers 模型所必需的第一个概念和概念。在下一部分中，我将深入研究大部分数学所在的 Transformers 架构的每个模块。
本文背后的主要思想和概念是：
- 转换器在嵌入系统定义的归一化向量空间中工作，其中每个维度代表标记之间的特征。
- Transformers 输入是形状为 [N, L, E] 的张量，其中 N 表示批量大小，L 是序列长度（由于填充，每个序列都是常数），E 表示嵌入维度。
- 当编码器在源嵌入空间中寻找标记之间的关系时，解码器的任务是学习从源空间到目标空间的投影。
- Transformer 的输出是一个线向量，其长度等于词汇表的大小，其中每个系数代表相应索引标记被放置在序列中下一个的概率。
- 在训练期间，Transformer 一次处理所有输入，输出一个 [N, L, V] 张量（V 是词汇表长度）。但是在预测过程中，Transformer是自回归的，总是根据他们之前的预测逐个标记地预测。
