一文搞懂Transformer，讲解神经网络算法最好的一篇文章！

一文搞懂Transformer

本文将从Transformer的本质、Transformer的原理、Transformer架构改进三个方面，带您一文搞懂Transformer。

一、Transformer的本质

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。

输入部分

编码器部分

由N个编码器层堆叠而成，Transformer中的N为6。
每个编码器层由两个子层连接结构组成：
第一个子层是一个多头自注意力子层。
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。

解码器部分

由N个解码器层堆叠而成，Transformer中的N为6。
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子层。
每个子层后都接有一个规范化层和一个残差连接。

输出部分

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：
多头自注意力层(Multi-Head Attention)层。
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。

Decoder解码器

Transformer中的解码器部分同样一共6个相同的解码器层组成。
每个解码器层都有三个子层：
掩蔽自注意力层(Masked Self-Attention)。
Encoder-Decoder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。

Multi-Head Attention（多头注意力）

Multi-Head Attention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不同部分的关注能力。

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。
分割多头：经过线性变换后，Query、Key和Value向量被分割成多个头。每个头都会独立地进行注意力计算。
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。
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。
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。

Scaled Dot-Product Attention（缩放点积注意力）

Scaled Dot-Product Attention是Transformer模型中多头注意力机制的一个关键组成部分。

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。
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。
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。
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Key的注意力权重之和为1。
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。

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。

输入层（Embedding）：
Token Embeddings：将单词或子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，所以需要加入位置嵌入来提供序列中单词的位置信息。
编码层（Transformer Encoder）：BERT模型使用双向Transformer编码器进行编码。
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。

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。

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。
编码层（Transformer Encoder）：GPT模型使用单向Transformer编码器进行编码和生成。
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。