Transformer模型中各个结构的理解

Transformer模型由Encoder和Decoder构成,Encoder通过Multi-Head Attention和Positional Encoding处理输入,Decoder则使用Masked Multi-Head Attention防止未来信息泄露。多头注意力机制增强了模型的表达能力和位置敏感性,Residual Networks和Layer Normalization用于深层网络的训练和优化。Decoder的输出经过线性变换和Softmax层转化为单词概率预测。

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

Transformer模型由Encoder和Decoder两部分组成。

Encoder的输入即是原始的word embedding。

Transformer模型中没有递归也没有卷积,所有以序列中每个标记的绝对(或相对)位置的信息用位置编码来表示。

第一个子层是Multi-Head Attention层,该子层利用多头注意力机制,利用线性变换将Q、K、V映射到不同的子空间(论文中num_heads = 8),从而希望可以学习到单词的不同表示。

Transformer模型使用了多层注意力机制来代替了single self-attention,以此来提升模型的效果。Multi-Head Attention的效果体现在以下两个方面:
(1)扩展了模型关注不同位置的能力。在不同的context中,使得单词"it"关注到不同的target word。
(2)增强了Attention机制对关注句子内部单词之间作用的表达能力。相比于single self-attention, Multi-Head Attention中的each head都维持了一个自己的Q、K、V矩阵,实现不同的线性转换,这样每个head也就有了自己特殊的表达信息。

背后的原理即是,当翻译一个单词的时候,会基于所问的问题的类型来对每个单词给予不同的关注程度

Multi-Head Attention层后跟了一个Layer Normalizaiton用来对Attention输出的新的word representation进行标准化处理,以及一个Residual Network。

采用了Residual Network的作用是利用了残差网络可以当层数加深时仍然能进行很好的训练一个特性。因为在模型结构中,首先每个层都重复6次,且每个层都有两个子层,这就总共相当于有了12层。同时,Multi-Head Attention层和Feed Forward层内部又都有自己的结构,比如Feed Forward层就有两层的fully-

评论
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