图解Transformer工作原理（非常详细）零基础入门到精通，收藏这一篇就够了-优快云博客

Transformer 已经成为了前沿人 AI 技术的代名词，尤其是在自然语言处理（NLP）这一领域。

那么，是什么使得 Transformer 能够如此高效准确地掌握语言的复杂性呢？

让我们一起深入探索 Transformer 架构的核心原理。

但在此之前，不妨先看看它的应用场景。无论是你使用的谷歌翻译还是 ChatGPT，它们背后的强大功能都离不开 Transformer。

谷歌翻译：这个被广泛使用的工具在很大程度上依靠 Transformer 技术，实现了对超过 100 种语言的快速准确翻译。它能够考虑到整个句子的上下文，而非仅仅是单个词语，使得翻译结果更加自然流畅。

Netflix 推荐系统：Netflix 是如何精准推荐你可能喜欢的电影和电视剧的？答案是通过分析你的观看历史和其他用户的数据，Transformer 能够识别出模式和联系，最终向你推荐个性化的内容。

概览：编解码器交响

想象一个特殊的工厂，它不是在组装物理产品，而是在加工处理语言。这个工厂主要由两个部分组成：

编码器（Encoder）：它负责提取信息，通过细致分析输入文本，理解文本中各个元素的含义，并发现它们之间的隐藏联系。
解码器（Decoder）：依托编码器提供的深入洞察，解码器负责生成所需的输出，无论是将句子翻译成另一种语言、生成一个精确的摘要，还是创作一首全新的诗歌。

编码器：解码输入迷宫

编码器的旅程从 “输入嵌入” 开始，此过程中，每个单词都从文本形态转换为数值向量，就好像给每个单词配上了一个独一无二的身份证。

以这个例子为例：

输入文本：例如，“The cat sat on the mat.”

在输入嵌入层，每个单词都被翻译成一个数值向量，就像在一个庞大的字典里，每个单词都有一个对应的 “向量地址”。

这些向量不仅捕捉了单词的含义，还包括：

语义关系（比如，“cat” 和 “pet” 更近，而不是和 “chair”）；
句法角色（比如，“cat” 通常作为名词，“sat” 作为动词）；
句中上下文（比如，这里的 “mat” 很可能是指地垫）。

向量表示如下：

“The” -> [0.2, 0.5, -0.1, …]
“cat” -> [0.8, -0.3, 0.4, …]
“sat” -> [-0.1, 0.7, 0.2, …]

但编码器的工作远不止于此，它还使用了一些关键技术来进一步深入。

自注意力机制是其中的革命性创新。想象为对每个单词打开一束聚光灯，这束光不仅照亮了该单词，还揭示了它与句中其他单词的联系。这让编码器能够理解文本的全貌 —— 不只是孤立的单词，还有它们之间的联系和细微差别。

再次以句子 “The quick brown fox jumps over the lazy dog.” 为例：

首先，每个单词都转换成了一个数值表示，称为 “词嵌入”，就像在一个巨大的词库地图上给每个单词定位。

接下来，自注意力机制为每个单词生成了三个特殊的向量：“查询（Query）”（询问我需要什么信息）、“键（Key）”（标示我有什么信息）和 “值（Value）”（实际的含义和上下文）。

然后，通过比较每个单词的 “查询” 向量与其他所有单词的 “键” 向量，自注意力层评估了各个单词之间的相关性，并计算出注意力得分。这个得分越高，表示两个单词之间的联系越紧密。

最后，自注意力层根据注意力得分加权处理 “值” 向量，这就像根据每个单词与当前单词的相关度，取了一个加权平均值。

通过考虑句中其他单词提供的上下文，自注意力机制为每个单词创建了一个新的、更丰富的表示。这种表示不仅包含了单词本身的含义，还有它如何与句中其他单词关联和受到影响。

多头注意力机制（Multi-Head Attention）可以被理解为有多个分析小组，每个小组关注于词与词之间联系的不同层面。这使得编码器能够全面捕获词义之间的多元关系，从而深化其对语句的理解。

还是以句子：“The quick brown fox jumps over the lazy dog.”为例。

在多头注意力机制中，不同于只使用一个自我关注机制，我们有多个独立的 “头部”（通常是 4 到 8 个）。每个头部都针对每个词分别维护一套查询（Query）、键（Key）和值（Value）向量。

这种机制下的注意力是多样化的：每个头部根据不同的逻辑计算注意力得分，聚焦于词间关系的不同方面：

一个头部可能专注分析语法角色，比如 “fox” 和 “jumps” 之间的关系。
另一个可能关注词序，比如 “the” 和 “quick” 之间的顺序。
还有的头部可能识别同义词或相关概念，例如将 “quick” 和 “fast” 视为相近的词。

通过结合这些不同头部的观点，每个头部的输出被汇总，综合不同的洞察力。

最终，这种综合的表示形式包含了对句子更加丰富的理解，涵盖了词与词之间的多样化关系，而不仅仅是单一视角。

**位置编码（Positional Encoding）是为了补充 Transformer 无法直接处理词序的不足，加入了每个词在句中位置的信息。**可以想象成给每个分析员一张地图，指示他们应该如何按顺序审视词汇。

微信搜索公众号：Java后端编程，回复：java 领取资料。

ChatGPT中文网站：https://aigc.cxyquan.com

继续以句子：“The quick brown fox jumps over the lazy dog.” 为例，来看位置编码是如何工作的：

首先，每个词（如 “The”，“quick” 等）都被转换成一个唯一的数字向量，这就是所谓的单词嵌入，可以看作是在庞大的词库中为每个词分配的唯一标识。

接着，每个词的嵌入会和一个基于其在句中位置计算出的额外向量结合。这些位置向量通过正弦和余弦函数生成，能够反映词之间的远近关系。

低频波动揭示词之间的长距离关系。
高频波动则关注紧密相连的词。

这样，每个词的原始向量与其位置向量相加，形成了一个既含有词义也含有位置信息的新向量。

即便句子的顺序变化，位置向量也能保持词之间的相对位置关系，使得模型能准确理解词与词之间的连接。

前馈网络（FFN，Feed Forward Network）为模型增添了一层非线性处理，使其能够学习到更为复杂的单词间关系，这些关系可能单凭注意力机制难以捕捉。

通过前面几层的分析，你已经深入理解了句中单词的含义、它们之间的联系以及它们的位置。现在，FFN 就像是一只侦探用的放大镜，准备揭示那些不立即显现的复杂细节。

FFN 通过以下三个关键步骤来实现这一目标：

非线性变换：FFN 通过使用 ReLU 等非线性函数来增加信息的复杂性，而非直接进行简单计算。可以想象它为现有信息施加了一个特殊的滤镜，揭露了那些简单运算可能忽视的隐藏模式和联系。这使得 FFN 能够把握词与词之间更加细腻的关系。
多层次分析：FFN 不是单一步骤，而是通常由两层或更多的全连接层组成。每一层都在前一层的基础上进一步转换信息，就像你在不断放大镜下审视句子，每一层都揭示出更多细节。
维度变换：在第一层，FFN 将信息维度扩展（如从 512 维扩到 2048 维），以便分析更多特征并捕捉更复杂的模式。这就像是在更大的画布上展开信息进行深入审查。随后，在最终层将信息维度缩减回原始大小（比如又回到 512 维），确保与后续层的兼容性。

应用到我们的句子上：

想象 FFN 帮助识别 “quick” 和 “brown” 不仅描述了 “fox”，还通过它们联合的含义巧妙地与 “fox” 的速度感联系起来。

或者，它可能深入探究 “jumps” 和 “over” 之间的关系，理解这个动作和空间关系，超越了它们单独的定义。

重复、优化、再重复：自注意力、多头注意力等层被叠加并多次重复。每一次迭代，编码器都在精细化其对输入文本的理解，构建出一个全面的文本表征。

解码器：编织输出挂毯

现在，轮到解码器承担任务。与编码器不同的是，解码器面临着额外的挑战：在不预见未来的情况下，逐字生成输出。为此，它采用了以下策略：

掩蔽自注意力：类似于编码器的自注意力机制，但有所调整。解码器仅关注之前已生成的单词，确保不会利用到未来的信息。这就像是一次只写出一个句子的故事，而不知道故事的结局。
编码器 - 解码器注意力：这一机制允许解码器参考编码好的输入，就像写作时回头查看参考资料一样。这确保了生成的输出与原始文本保持一致性和连贯性。
多头注意力和前馈网络：与编码器相同，这些层帮助解码器深化对文本中上下文和关系的理解。
输出层：最终，解码器将其内部表征逐一转化为实际的输出单词。这就像是最后的装配线，把所有部件组合起来，形成期望的结果。