前言
本文将从 Transformer的本质、Transformer的原理 和 Transformer架构改进三个方面，搞懂Transformer。
一、Transformer的本质
1. Transformer架构
主要由输入部分（输入输出嵌入与位置编码）、多层编码器、多层解码器以及输出部分（输出线性层与Softmax）四大部分组成。
Transformer架构
（1）输入部分
- 源文本嵌入层：将源文本中的词汇数字表示转换为向量表示，捕捉词汇间的关系。
- 位置编码层：为输入序列的每个位置生成位置向量，以便模型能够理解序列中的位置信息。
- 目标文本嵌入层（在解码器中使用）：将目标文本中的词汇数字表示转换为向量表示。
（2）编码器部分
- 由N个编码器层堆叠而成。
- 每个编码器层由两个子层连接结构组成：第一个子层是多头自注意力子层，第二个子层是一个前馈全连接子层。每个子层后都接有一个规范化层和一个残差连接。
（3）解码器部分
- 由N个解码器层堆叠而成。
- 每个解码器层由三个子层连接结构组成：第一个子层是一个带掩码的多头自注意力子层，第二个子层是一个多头注意力子层（编码器到解码器），第三个子层是一个前馈全连接层。每个子层后都接有一个规范化层和一个残差连接。
（4）输出部分
- 线性层：将解码器输出的向量转换为最终的输出维度。
- Softmax层：将线性层的输出转换为概率分布，以便进行最终的预测。
2. Encoder-Decoder（编码器-解码器）
左边是N个编码器，右边是N个解码器，Transformer中的N为6。
Encoder-Decoder （编码器-解码器）
（1）Encoder 编码器
- Transformer中的编码器部分一共6个相同的编码器层组成。
- 每个编码器层都有两个子层，即多头自注意力层（Multi-Head Attention）层和逐位置的前馈神经网络（Position-wise Feed-Forward Network）。在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为 Add&Norm 操作。
Encoder（编码器）架构
（2）Decoder 解码器
Transformer中的解码器部分同样有6个相同的解码器层组成。
每个解码器层都有三个子层，掩码自注意力层（Masked Self-Attention）、Encoder-Decoder自注意力层、逐位置的前馈神经网络。同样，在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为 Add&Norm操作。
Decoder（解码器）架构
二、Transformer的原理
Transformer工作原理
1. Multi-Head Attention（多头自注意力）
它允许模型同时关注来自不同位置的信息。通过分割原始的输入向量到多个头（head），每个头都能独立地学习不同的注意力权重，从而增强模型对输入序列中的不同部分的关注能力。
Multi-Head Attention（多头自注意力）
（1）输入线性变换
对于输入的Query（查询）、Key（键）和Value（值）向量，首先通过线性变换将它们映射到不同的子空间。这些线性变换的参数是模型需要学习的。
（2）分割多头
经过线性变换后，Query、Key和Value向量被分割成多个头。每个头部都会独立地进行注意力计算。
（3）缩放点积注意力
在每个头内部，使用缩放点积注意力来计算Query和Key之间的注意力分数。这个分数决定了在生成输出时，模型应该关注Value向量的部分。
（4）注意力权重应用
将计算出的注意力权重应用于Value向量，得到加权的中间输出。这个过程可以理解为根据注意力权重对输入信息进行筛选和聚焦。
（5）拼接和线性变换
将所有头的加权输出拼接在一起，然后通过一个线性变换得到最终的Multi-Head Attention输出。
2. Scaled Dot-Product Attention（缩放点积注意力）
它是Transformer模型中的多头注意力机制的一个关键组成部分。
Scaled Dot-Product Attention（缩放点积注意力）
（1）Query、Key和Value矩阵
Query矩阵（Q）：表示当前的关注点或信息需求，用于与Key矩阵进行匹配。
Key矩阵（K）：包含输入序列中各个位置的标识信息，用于被Query矩阵查询匹配。
Value矩阵（V）：存储了与Key矩阵相对应的实际值或信息内容，当Query与某个Key匹配时，相应的Value将被用来计算输出。
（2）点积计算
通过计算Query矩阵和Key矩阵之间的点积（即对应元素相乘后求和），来衡量Query与每个Key之间的相似度或匹配程度。
（3）缩放因子
由于点积操作的结果可能非常大，尤其是在输入维度较高的情况下，这可能导致softmax函数在计算注意力权重时进入饱和区。为了避免这个问题，缩放点积注意力引入了一个缩放因子，通常是输入维度的平方根。点积结果除以这个缩放因子，可以使得softmax函数的输入保持在一个合理的范围内。
（4）Softmax函数
将缩放后的点积结果输入到softmax函数中，计算每个Key相对于Query的注意力权重。Softmax函数将原始得分转换为概率分布，使得所有的Key的注意力权重之和为1。
（5）加权求和
使用计算出的注意力权重对Value矩阵进行加权求和，得到最终的输出。这个过程根据注意力权重的大小，将更多的关注放在与Query更匹配的Value上。
三、Transformer架构改进
1. BERT
BERT 是一种基于Transformer的预训练语言模型，它的最大创新之处在于引入了 双向Transformer编码器 ，这使得模型可以同时考虑输入序列的前后上下文信息。
BERT架构
（1）输入层（Embedding）
Token Embeddings：将单词或字词转换为固定维度的向量。
Segment Embeddings：用于区分句子对中的不同句子。
Position Embeddings：由于Transformer模型本身不具备处理序列顺序的能力，所有需要加入位置嵌入来提供序列中单词的位置信息。
（2）编码层（Transformer Encoder）
BERT模型使用双向Transformer编码器进行编码。
（3）输出层（Pre-trained Task-specific Layers）
MLM输出层：用于预测被掩码（masked）的单词。在训练阶段，模型会随机遮盖输入序列中的部分单词，并尝试根据上下文预测这些单词。
NSP输出层：用于判断两个句子是否为连续的句子对。在训练阶段，模型会接收成对的句子作为输入，并尝试预测第二个句子是否是第一个句子的后续句子。
2. GPT
GPT 也是一种基于Transformer的预训练语言模型，它的最大创新之处在于使用了 单向Transformer编码器，这使得模型可以更好地捕捉输入序列的上下文信息。
（1）输入层（Input Embedding）
将输入的单词或符号转换为固定维度的向量表示。
可以包括词嵌入、位置嵌入等，以提供单词的语义信息和位置信息。
（2）编码层（Transformer Encoder）
GPT模型使用单向Transformer编码器进行编码和生成。
（3）输出层（Output Linear and Softmax）
线性输出层将最后一个Transformer Decoder Block的输出转换为词汇表大小的向量。
Softmax函数将输出向量转换为概率分布，以便进行词汇选择或生成下一个单词。
来源：架构师带你玩转AI
