Transformer详解(3)---面试八股文

本文详细介绍了Transformer的结构,包括Encoder和Decoder的组成,特别是self-attention和多头注意力机制。Transformer相比RNN/LSTM的优势在于并行计算能力和更强的特征抽取。训练和测试阶段的区别在于Decoder的输入处理。文章还探讨了位置编码、多头注意力的计算过程以及Transformer如何解决梯度消失问题。此外,解释了Transformer为何可以代替seq2seq模型以及权重共享的原因。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.Transformer 的结构是什么样的?

Transformer 本身还是一个典型的 encoder-decoder 模型,如果从模型层面来看,Transformer 实际上就像一个 seq2seq with attention 的模型,下面大概

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值