Transformer训练过程、推理过程详解

系列文章目录

---

文章目录

• 系列文章目录
• 前言
• 一、模型结构
• 二、训练过程
• 三、推理过程

---

前言

Transformer是一种很重要且强大的模型，如今网上介绍Transformer的文章很多，但是大都是只是介绍模型的结构，对于训练过程、推理过程模型的输入和输出都没有进行介绍，使人看的一头雾水，因为本文就Transformer的模型的训练和推理过程进行详细的介绍。

一、模型结构

下面的Transformer的模型结构图，其分为编码器和解码器两部分。模型的结构详解网上有很多，在这里就不和大家赘述了。

二、训练过程

比如我们想做一个中译英的机器翻译任务，现在我们已经准备好了数据集，例如{‘chinese’:我爱吃梨,‘english’: i love eating pears} ，那么模型的输入和输出以及标签分别是什么呢？
首先我们会先根据数据集创建中文词表和英文词表，假如数据集中只有{‘chinese’:我爱吃梨,‘english’: i love eating pears} 这一条样本，那么中文词表为{‘我’：0，‘爱’：1，‘吃’：2，‘梨’：3}，英文词表为{‘PAD’:0，‘BOS’:1，‘EOS’:2，‘i’:3，‘love’:4，‘eating’:5，‘pears’:6}。为什么英文词表中还多了一些特殊字符呢？首先’PAD’字符是填充的意思，在进行输入的时候为了保持一个batch中的句子长度一样，会将句子填充到一样的长度，所以如果句子的长度过短，会在其后面增加填充符。’BOS‘字符是开始符号，解码器的输入中的第一个字符便是’BOS’字符；’EOS‘字符为结束字符。
创建好此表后，我们根据词表将中英文输入映射成数字。如下所示：

encoder输入：
我爱吃梨---------------------------------------------------[0，1，2，3]
decoder输入：
‘BOS’ i love eating pears ------------------------------[1，3，4，5，6]
标签：
i love eating pears ‘EOS’ ------------------------------[3，4，5，6，2]
decoder输出：(模型还没有训练好）：
i love pears pears ‘EOS’------------------------------------[3，4，6，6，2]

可以看到，编码器的输入是一整个句子，解码器的输入和输出也是完整的一个句子，最后根据解码器输出的句子去和标签去算loss。因此transformer在训练的时候是并行的。
 为什么说是并行的呢?例如解码器输入是’‘BOS’ i love eating pears‘，输出是’i love pears pears ‘EOS’‘，因此可以看出，输入中的’BOS’对应解码器预测输出’i’, 输入中的‘i’对应解码器的预测输出中的’love’。与自回归方式不同（把解码器的输出当作输入去预测，一个字一个字的输出），Transformer我们可以想象成给解码器扔进去一句话，然后解码器同时也输出了一句话。因此Transformer的训练速度相比与传统的RNN也快了很多。同时也因为是并行的，所以对内存要求也大大增加。
 但是很明显，如果训练的时候给解码器输入一个完整的句子，例如输入’‘BOS’ i love eating pears‘，训练模型输出i love pears pears ‘EOS’，这对于模型来说没什么好学的呀，我直接把你输入的句子去掉‘BOS’，然后再结尾加上‘EOS’不就可以了。这不就相当于平时开卷做作业抄答案回回满分，一到真正的闭卷考试就考不好了。因此，为了让模型再预测当前单词的输出不提前看到后面的”答案“。我们需要加上因果mask，把当前时刻的词后面的语句给掩盖掉，从而让模型不是通过去抄答案获得最终的输出。

三、推理过程

在训练的时候，模型解码器的输入和输出都是一整个句子，通过对输入的句子加入因果mask实现并行训练。那如果已经训练好了一个Transformer模型，使用它做机器翻译推理的时候，我们只有编码器的输入，那么解码器的输入输出是什么呢？

encoder输入：
我爱吃梨 (Transformer编码器只需要编码一次就可以)

解码器推理次数	decoder输入：	decoder输出：
1	‘BOS’	i
2	‘BOS’ i	i love
3	‘BOS’ i love	i love eatting
4	‘BOS’ i love eatting	i love eatting pears
5	‘BOS’ i love eatting pears	i love eatting pears ‘EOS’

通过上面的例子可以看出，在推理过程中transformer的输出采用的是自回归的方式，即将transformer解码器的输出当作输入然后重新去做推理，然后得到下一个输出，直到输出’EOS’。在推理时，会先给解码器一个’BOS’的字作为第一个输入，然后开始自回归输出。这也就是为什么训练时要在输入中加入’BOS’。
  注意：由于Transformer结构的特点，其解码器编码器的输入维度和输出维度相同，所以在推理的时候，解码器输入几个字，其就输出几个字，且输出的字都是你提前定义的词表中的字。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！