6月安卓手機(jī)好評榜：魅族20 Pro蟬聯(lián)冠軍
性能榜和性價比榜之后，我們來看最后的安卓手機(jī)好評榜，數(shù)據(jù)來源安兔兔評測，收集時間2023年6月1日至6月30日，僅限國內(nèi)市場。第一名：魅族20 Pro好評率：95%5月份的時候魅族20 Pro就是
谷歌在2007年發(fā)布Transformer架構(gòu)的論文時，論文的標(biāo)題是：Attention Is All You Need。重點(diǎn)說明了這個架構(gòu)是基于注意力機(jī)制的。
在深入了解Transformer的架構(gòu)原理之前，我們首先要了解下，什么是注意力機(jī)制。
人類的大腦對于信息的獲取也存在注意力機(jī)制，下面我舉幾個簡單的例子：
從上面的圖片中，我們可能更容易關(guān)注，顏色更深的字、字號更大的字，另外像“震驚”這種吸引人眼球的文案也非常容易吸引人的關(guān)注。
我們知道在海量的互聯(lián)網(wǎng)信息中，往往那些起著“標(biāo)題黨”的文章更能吸引人的注意，從而達(dá)到吸引流量的目的，這是一種簡單粗暴的方式。另外在大量的同質(zhì)化圖片中，如果有一張圖片它的色彩、構(gòu)圖等都別出一格，那你也會一眼就能注意到它，這也是一種簡單的注意力機(jī)制。
假設(shè)有以下這兩段文字，需要翻譯成英文：
1、我在得物上買了最新款的蘋果，體驗(yàn)非常好。
2、我在得物上買了阿克蘇的蘋果，口感非常好。
我們?nèi)祟惸芎芸熳⒁獾降谝欢挝淖种械奶O果是指蘋果手機(jī)，那么模型在翻譯時就需要把他翻譯成iPhone，而第二段文字中的蘋果就是指的蘋果這種水果，模型翻譯時就需要將他翻譯成apple。
人類的大腦為什么能分辨出這兩個蘋果是指代的不同的意思呢？原因就是人類的大腦能從上下文中獲取到關(guān)鍵信息，從而幫助我們理解每種蘋果是什么意思。
其實(shí)說到這里，我們就已經(jīng)揭開了Transformer架構(gòu)的核心，即注意力機(jī)制的原理：從文本的上下文中找到需要注意的關(guān)鍵信息，幫助模型理解每個字的正確含義。但是實(shí)際的實(shí)現(xiàn)方式又是非常復(fù)雜的。
接下來讓我們一起深入理解下Transformer的架構(gòu)原理。
Transformer的架構(gòu)設(shè)計如下圖所示：
圖片
圖片
Transformer架構(gòu)中有兩個核心的組件Encoder和Decoder，左邊的這張圖是Transformer架構(gòu)的一個簡單表示形式，右邊的這張圖是Transformer架構(gòu)的一個完整表示形式，其中有一個重要的Multi-Head Attention組件，稱為注意力層。
Transformer架構(gòu)中的兩個核心的組件Encoder和Decoder，每個組件都可以單獨(dú)使用，具體取決于任務(wù)的類型：
Encoder-only models: 適用于需要理解輸入的任務(wù)，如句子分類和命名實(shí)體識別。
Decoder-only models: 適用于生成任務(wù)，如文本生成。
Encoder-decoder models 或者 sequence-to-sequence models: 適用于需要根據(jù)輸入進(jìn)行生成的任務(wù)，如翻譯或摘要。
因?yàn)槟Ｐ褪菬o法直接處理文本的，只能處理數(shù)字，就跟ASCII碼表、Unicode碼表一樣，計算機(jī)在處理文字時也是先將文字轉(zhuǎn)成對應(yīng)的字碼，然后為每個字碼編寫一個對應(yīng)的數(shù)字記錄在表中，最后再處理。
圖片
所以模型在處理文本時，第一步就是先將文本轉(zhuǎn)換成對應(yīng)的字碼，也就是大模型中的token，但是怎么將文本轉(zhuǎn)換成對應(yīng)的token卻是一個復(fù)雜的問題，在Transformers(HuggingFace提供的一個對Transformer架構(gòu)的具體實(shí)現(xiàn)的組件庫)中提供了專門的Tokenizer分詞器來實(shí)現(xiàn)這個任務(wù)，一般來說有以下幾種方式：
第一種標(biāo)記器是基于單詞的(word-based)。它通常很容易設(shè)置和使用，只需幾條規(guī)則，并且通常會產(chǎn)生不錯的結(jié)果。例如，在下圖中，目標(biāo)是將原始文本拆分為單詞，并為每個單詞找到一個映射的數(shù)字表達(dá)：
將文本拆分成單詞，也有很多不同的方式，比如通過空格來拆分、通過標(biāo)點(diǎn)符號來拆分。
圖片
如果我們想使用基于單詞的標(biāo)記器(tokenizer)完全覆蓋一種語言，我們需要為語言中的每個單詞都創(chuàng)建一個數(shù)字標(biāo)記，這將生成大量的標(biāo)記。除此之外，還可能存在一些無法覆蓋的單詞，因?yàn)閱卧~可能存在很多的變種情況，比如：dogs是dog的變種，running是run的變種。如果我們的標(biāo)識符中沒有覆蓋所有的單詞，那么當(dāng)出現(xiàn)一個未覆蓋的單詞時，標(biāo)記器將無法準(zhǔn)確知道該單詞的數(shù)字標(biāo)記是多少，進(jìn)而只能標(biāo)記為未知：UNK。如果在文本轉(zhuǎn)換的過程中有大量的文本被標(biāo)記為UNK，那么也將影響后續(xù)模型推理。
為了減少未知標(biāo)記數(shù)量的一種方法是使用更深一層的標(biāo)記器(tokenizer)，即基于字符的(character-based)標(biāo)記器(tokenizer)。
基于字符的標(biāo)記器(tokenizer)將文本拆分為字符，而不是單詞。這有兩個主要好處：
但是這里也出現(xiàn)了一些關(guān)于空格和標(biāo)點(diǎn)符號的問題：
圖片
這種方法也不是完美的。由于現(xiàn)在表示是基于字符而不是單詞，因此人們可能會爭辯說，從直覺上講，它的意義不大：每個字符本身并沒有多大意義，而單詞就是這種情況。然而，這又因語言而異；例如，在中文中，每個字符比拉丁語言中的字符包含更多的信息。
另一件要考慮的事情是，我們的模型最終會處理大量的詞符(token)：雖然使用基于單詞的標(biāo)記器(tokenizer)，單詞只會是單個標(biāo)記，但當(dāng)轉(zhuǎn)換為字符時，它很容易變成 10 個或更多的詞符(token)。
為了兩全其美，我們可以使用結(jié)合這兩種方法的第三種技術(shù)：子詞標(biāo)記化(subword tokenization)。
子詞分詞算法依賴于這樣一個原則，即不應(yīng)將常用詞拆分為更小的子詞，而應(yīng)將稀有詞分解為有意義的子詞。
例如，“annoyingly”可能被認(rèn)為是一個罕見的詞，可以分解為“annoying”和“l(fā)y”。這兩者都可能作為獨(dú)立的子詞出現(xiàn)得更頻繁，同時“annoyingly”的含義由“annoying”和“l(fā)y”的復(fù)合含義保持。
下面這張圖，展示了基于子詞標(biāo)記化算法，如何標(biāo)記序列“Let’s do tokenization!”：
圖片
這些子詞最終提供了很多語義含義：例如，在上面的示例中，“tokenization”被拆分為“token”和“ization”，這兩個具有語義意義同時節(jié)省空間的詞符(token)（只需要兩個標(biāo)記(token)代表一個長詞）。這使我們能夠?qū)^小的詞匯表進(jìn)行相對較好的覆蓋，并且?guī)缀鯖]有未知的標(biāo)記。
了解完token之后，我們還要了解下向量、矩陣和張量的概念，因?yàn)樗麄兪谴竽Ｐ陀嬎阒谢A(chǔ)的數(shù)據(jù)結(jié)構(gòu)。
向量是一個有序的數(shù)字列表，通常用來表示空間中的點(diǎn)或者方向。在數(shù)學(xué)中，向量可以表示為一個列向量或行向量，具體取決于上下文。例如，一個三維空間中的點(diǎn)可以用一個三維列向量表示，如 v=[x,y,z]T，其中 x,y,z 是實(shí)數(shù)。
圖片
矩陣是一個二維數(shù)組，由行和列組成，可以被視為向量的一個特例。矩陣在數(shù)學(xué)中用于表示線性變換、系統(tǒng)方程的系數(shù)等。矩陣的維度通常表示為 m×n，其中 m 是行數(shù)，n 是列數(shù)。例如，一個 4×3 的矩陣有四行三列。
圖片
張量是一個多維數(shù)組，可以看作是向量和矩陣的更底層的表示，向量和矩陣是張量的特例。例如向量是一維的張量，矩陣是二維的張量。張量可以有任意數(shù)量的維度，而不僅僅是一維（向量）或二維（矩陣）。張量在物理學(xué)中用來表示多維空間中的物理量，如應(yīng)力、應(yīng)變等。在深度學(xué)習(xí)中，張量用于表示數(shù)據(jù)和模型參數(shù)的多維結(jié)構(gòu)。
圖片
在獲取到token之后，再將每個token映射為一個數(shù)字，當(dāng)然了，Transformer能夠處理的數(shù)據(jù)，并不是簡單的1/2/3這樣的數(shù)字，而是一種向量數(shù)據(jù)，如下圖所示：
圖片
得到向量之后，再將向量轉(zhuǎn)換成詞嵌入，也就是我們所熟知的embeddings。
在Transformer模型中，編碼器接收的詞嵌入（embeddings）可以被視為矩陣。這些詞嵌入是將輸入序列中的每個token映射到一個固定維度的向量空間中的結(jié)果。每個詞嵌入都是一個向量，而這些向量按順序排列形成一個矩陣。
具體來說，如果你有一個句子或序列，其中包含了N個token，每個token都被映射到一個d維的向量空間中，那么你將得到一個N×d的矩陣，其中N是序列的長度，d是嵌入向量的維度。這個矩陣就是詞嵌入矩陣，它是一個二維張量，因?yàn)樗哂袃蓚€維度：序列長度（時間步長）和嵌入維度。
在Transformer模型的編碼器中，這個嵌入矩陣首先會通過一個線性層（可選）進(jìn)行處理，然后添加位置編碼（positional encoding），最后輸入到自注意力（self-attention）和前饋網(wǎng)絡(luò)（feed-forward network）等組件中進(jìn)行進(jìn)一步的處理，具體細(xì)節(jié)我接下來會進(jìn)行詳細(xì)解釋。
總結(jié)來說，編碼器接收的詞嵌入是一個矩陣，這個矩陣可以被視為一個二維張量，其中包含了序列中每個詞的d維向量表示。
圖片
下面讓我們以文本翻譯來深入理解Transformer中的Encoder和Decoder是怎樣工作的，假設(shè)我們有以下這個翻譯任務(wù)，輸入是一段法文，輸出是英文。
整個流程是Transformer將輸入的input，經(jīng)過Encoders處理后，將結(jié)果投遞到Decoders中處理，最后輸出翻譯后的結(jié)果。
圖片
但是實(shí)際在Transformer的內(nèi)部，是由多個獨(dú)立的Encoder和Decoder組成的，這里我們使用6個做驗(yàn)證，當(dāng)然我們也可以使用其他數(shù)量的Encoder和Decoder，筆者懷疑6個是經(jīng)過驗(yàn)證后相對折中的一個值。
圖片
這6個Encoder和Decoder在結(jié)構(gòu)上都是相同的，但是Encoder和Decoder的內(nèi)部還有更細(xì)分的組件：
每一層的Encoder由2個子組件組成：自注意力層和前饋網(wǎng)絡(luò)層，其中文本的輸入會先流入自注意力層，正是由于自注意力層的存在，幫助Encoder在對特定文本進(jìn)行遍歷時，能夠讓Encoder觀察到文本中的其他單詞。然后自注意力層的結(jié)果被輸出到前饋網(wǎng)絡(luò)層。
圖片
每一層的Decoder由3個子組件組成：除了自注意力層、前饋網(wǎng)絡(luò)層，在兩者之間還有一個編解碼注意力層，這個組件主要是幫助Decoder專注于輸入句子的相關(guān)部分。
圖片
現(xiàn)在我們已經(jīng)知道了Transformer模型中的核心組件Encoder和Decoder，接下來我們來看Token在Transformer中是怎么流轉(zhuǎn)的，換句話說Encoder和Decoder是怎么處理Token的。
拿最開始的法文翻譯的例子，模型將文本轉(zhuǎn)換token后，緊接著就是將每個token轉(zhuǎn)換成向量表達(dá)，在下圖中，我們用x1、x2、x3這樣的box來表示每個token的向量：
圖片
得到每個token的向量之后，從最底層的Encoder開始，每個token會沿著自己的路徑從下往上流轉(zhuǎn)，經(jīng)過每一個Encoder，對每個Encoder來說，共同點(diǎn)是他們接收的向量的維度都是相同的，為了保證這一點(diǎn)，所有的token都需要被embedding成相同大小的向量。
在流經(jīng)每個Encoder時，向量都會從自注意力層流向前饋層，如下圖所示：
圖片
這里需要注意的是，不同位置的向量在進(jìn)入自注意力層的時候，相互之間是有依賴關(guān)系的，這就是注意力層需要關(guān)注的上下文的信息。
而當(dāng)自注意力層處理后的向量進(jìn)入前饋層后，前饋層是可以并行計算以提升性能的，因?yàn)樵谇梆亴又邢蛄恐g不存在依賴關(guān)系。每個向量在經(jīng)過Encoder處理后，得到的仍然是一個相同大小的向量，然后再提交給下一個Encoder進(jìn)行處理。
為什么說不同位置的向量相互之間是有依賴關(guān)系的呢？我們可以想象一下，如果不關(guān)注一整個句子中token的位置信息，那么翻譯出來的結(jié)果是不準(zhǔn)確的，比如：
為了讓模型知道每個token的位置信息，傳統(tǒng)的RNN網(wǎng)絡(luò)的做法是，順序處理每個token，這樣在處理當(dāng)前token時，可以往前查看已經(jīng)處理過的token的信息，但是缺點(diǎn)是所有的token節(jié)點(diǎn)都共用一套相同的參數(shù)，即下圖中的：
U：輸入?yún)?shù)
W：隱藏參數(shù)
V：輸出參數(shù)
由于RNN的窗口較小，這種方案帶來的問題是，當(dāng)token數(shù)變大時，模型無法參考更早之前已經(jīng)參考過的token，這樣就會造成上下文記憶丟失。
圖片
那么Transformer是怎么對token進(jìn)行位置編碼的呢？
首先我們知道每個token會被轉(zhuǎn)換成512維(或更高的維度)的向量，比如：[0.12142,0.34181,....,-0.21231] 可以將這個向量分為兩個部分，奇數(shù)和偶數(shù)部分。
奇數(shù)部分使用cos函數(shù)，加上當(dāng)前token的位置信息pos，通過cos編碼得到一個奇數(shù)編碼值；
偶數(shù)部分使用sin函數(shù)，加上當(dāng)前token的位置信息pos，通過sin編碼得到一個偶數(shù)編碼值；
最后拿token的embeddings和pos的embeddings相加，得到位置編碼后的positional input embeddings。
圖片
圖片
有了位置編碼的信息后，模型將接收經(jīng)過位置編碼的embeddings輸入，為了方便描述，我們把token換成更簡單的文本，如下圖所示，Encoder在接收到兩個向量之后，通過自注意力層，將原始向量轉(zhuǎn)換成攜帶了自注意力值的向量，也就是圖中的z1和z2。
圖片
那z1和z2這兩個向量是怎么得到的呢？原論文中給出了計算公式：
圖片
這個公式是用來計算注意力值的，借助了Q、K、V這三個矩陣：
首先通過Q矩陣和轉(zhuǎn)置后的K矩陣轉(zhuǎn)置相乘，得到結(jié)果后再除以dk的開平方，再通過softmax函數(shù)得到一個歸一化的結(jié)果，最后將歸一化的結(jié)果和矩陣V相乘就得到了表示注意力值的矩陣。
圖片
這里的Q、K、V三個矩陣(查詢矩陣、鍵矩陣、值矩陣)是通過原始token的embedding矩陣計算得到的，具體的方法是，先訓(xùn)練出三個矩陣：Wq,Wk,Wv, 然后使用embedding處理后的X矩陣和這三個矩陣相乘得到：
Q=Wq * X
K=Wk * X
V=Wv * X
圖片
需要注意的是我們embedding輸入原本是向量，并不是矩陣，這里是將所有的向量打包之后，形成了一個矩陣，方便矩陣之間的計算。
下面我們一步步了解下注意力值是怎么計算的，使用原始的embedding，而不是打包后的矩陣，首先模型將會為句子中的每個token都計算出一個score分?jǐn)?shù)，這個分?jǐn)?shù)表示了該token對句子中其他token的關(guān)注程度，分?jǐn)?shù)越高關(guān)注度越高。
圖片
但是需要注意的是這里計算得到的中間向量q、k、v的維度是64維，小于Encoder接收的輸入向量的維度，這是一個經(jīng)過計算后得到的相對穩(wěn)定的數(shù)值。
如下圖所示，當(dāng)我們在計算Tinking這個token的注意力值時，會依次計算出Thinking對其他token(在這里也就是Thinking和Machines)的注意力值，計算token1對其他各個token的score的方式是：q1 與 k1 做點(diǎn)積，q1 與 k2 做點(diǎn)積。
圖片
得到每個score后，再把score除以K向量維度的平方根也就是√64=8，然后將結(jié)果通過Softmax進(jìn)行歸一化，得到一個0~1之間的概率值，所有的歸一化的加和值等于1。
圖片
最后將Softmax的值，與V向量相乘，得到自注意力層的輸出結(jié)果向量：z1和z2，需要注意的是相乘的過程中會將不相關(guān)的token的關(guān)注度降低。
圖片
到這里其實(shí)已經(jīng)把Encoder是怎么計算每個token對句子中其他token的注意力值的方法解釋清楚了，下面我們用一張圖從更高的層面來觀察這個過程，假設(shè)我們想要翻譯下面這個句子：
The animal didn't cross the street because it was too tired.
句子中的it是表示什么呢，是animal還是street？模型就是通過自注意力值來確定的，當(dāng)對it進(jìn)行編碼時，Encoder會對句子中的每個token都計算一遍注意力值，模型會將it更關(guān)注的“The animal”編碼到it中。這樣模型在后續(xù)的處理過程中就能知道it指代的是“The animal”。
圖片
論文中通過引入多個Encoder形成了一種“多頭注意力”的機(jī)制，對自注意力層進(jìn)行了能力的提升，主要包括：
Transformer模型使用了8個注意力頭，所以在計算每個Encoder的輸出時，我們會得到8個z向量。
圖片
圖片
但是前饋層只能接收1個z向量，所以我們還需要將這8個z向量做壓縮得到1個向量，具體的做法是將這8個z向量鏈接起來，然后乘以一個附加的權(quán)重矩陣Wo，最后得到z向量，如下圖所示：
圖片
最后我們用一張完整的大圖來描述下在多個Encoder下，注意力值的計算過程，也就是多頭注意力機(jī)制：
圖片
下面我們可以看下，在多頭注意力機(jī)制下，在編碼it這個token時，模型在注意哪些其他的token：
圖片
可以看到其中一個頭(橙色)更關(guān)注“The Animal”，因?yàn)檫@兩個token對應(yīng)的橙色更深，另外一個頭(綠色)則更關(guān)注“tired”，因?yàn)檫@兩個token對應(yīng)的綠色更深。
首先我們了解下什么是殘差網(wǎng)絡(luò)，殘差網(wǎng)絡(luò)（Residual Network，簡稱ResNet）是一種深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，由Microsoft Research Asia的Kaiming He等人在2015年提出。ResNet的核心思想是通過引入“殘差學(xué)習(xí)”（residual learning）來解決深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的退化問題（degradation problem）。
在傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)層數(shù)的增加，理論上網(wǎng)絡(luò)的表示能力應(yīng)該更強(qiáng)，但實(shí)際上，過深的網(wǎng)絡(luò)往往難以訓(xùn)練，性能反而不如層數(shù)較少的網(wǎng)絡(luò)。這種現(xiàn)象被稱為“退化問題”，即隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)的準(zhǔn)確率不再提升，甚至下降。
ResNet通過引入“跳躍連接”（skip connections）或“捷徑連接”（shortcut connections）來解決這個問題。在ResNet中，輸入不僅傳遞給當(dāng)前層，還直接傳遞到后面的層，跳過一些中間層。這樣，后面的層可以直接學(xué)習(xí)到輸入與輸出之間的殘差（即差異），而不是學(xué)習(xí)到未處理的輸入。這種設(shè)計允許網(wǎng)絡(luò)學(xué)習(xí)到恒等映射（identity mapping），即輸出與輸入相同，從而使得網(wǎng)絡(luò)可以通過更簡單的路徑來學(xué)習(xí)到正確的映射關(guān)系。
在Transformer模型中，殘差網(wǎng)絡(luò)的使用主要是為了解決自注意力機(jī)制（self-attention）帶來的問題。Transformer模型完全基于注意力機(jī)制，沒有卷積層，但其結(jié)構(gòu)本質(zhì)上也是深度網(wǎng)絡(luò)。在Transformer中，每個編碼器（encoder）和解碼器（decoder）層都包含自注意力和前饋網(wǎng)絡(luò)，這些層的參數(shù)量非常大，網(wǎng)絡(luò)深度也很容易變得很深。
使用殘差連接可以幫助Transformer模型更有效地訓(xùn)練深層網(wǎng)絡(luò)。在Transformer的自注意力層中，輸入通過自注意力和前饋網(wǎng)絡(luò)后，與原始輸入相加，形成殘差連接。這種設(shè)計使得網(wǎng)絡(luò)即使在增加更多層數(shù)時，也能保持較好的性能，避免了退化問題。
總結(jié)來說，殘差網(wǎng)絡(luò)在Transformer模型中的應(yīng)用解決了以下幾個問題：
Transformer模型的成功部分歸功于殘差連接的設(shè)計，這使得它能夠構(gòu)建更深、更強(qiáng)大的模型，從而在自然語言處理（NLP）和計算機(jī)視覺等領(lǐng)域取得了顯著的成果。
可以使用下面這張圖來解釋殘差網(wǎng)絡(luò)，原始向量x在經(jīng)過自注意力層之后得到z向量，為了防止網(wǎng)絡(luò)過深帶來的退化問題，Transformer模型使用了殘差網(wǎng)絡(luò)，具體做法是使用計算得到的z矩陣，在和原始輸入的x矩陣做殘差鏈接，即圖中的X+Z，然后使用LayerNorm函數(shù)進(jìn)行層歸一化，計算得到新的z向量，然后輸入到前饋層。
圖片
將 Add & Normalize 簡化之后表示為如下：
圖片
歸一化后的殘差輸出，被送入點(diǎn)對點(diǎn)前饋網(wǎng)絡(luò)進(jìn)行進(jìn)一步處理，點(diǎn)對點(diǎn)前饋網(wǎng)絡(luò)是幾個線性層，中間有ReLU激活函數(shù)，將點(diǎn)對點(diǎn)輸出的結(jié)果與前饋網(wǎng)絡(luò)的輸入進(jìn)行相加做殘差鏈接，然后再做進(jìn)一步的歸一化。
點(diǎn)對點(diǎn)前饋網(wǎng)絡(luò)主要用于進(jìn)一步處理注意力的輸出，讓結(jié)果具有更豐富的表達(dá)。
圖片
到這里編碼器就已經(jīng)介紹完了，編碼器輸出的結(jié)果中攜帶了每個token的相關(guān)注意力信息，將用以幫助解碼器在解碼過程中關(guān)注輸入中的特定的token信息。
每個解碼器擁有與編碼器相似的結(jié)構(gòu)但也有不同的地方，它有兩個多頭注意力層，一個點(diǎn)對點(diǎn)前饋網(wǎng)絡(luò)層，并且在每個子層之后都有殘差鏈接和層歸一化。
圖片
解碼器是自回歸的，它將前一個Decoder輸出的結(jié)果和來自編碼器輸出的注意力信息當(dāng)做解碼器的輸入。
圖片
這里我們需要了解清楚，解碼器的先前的輸出結(jié)果是怎么得到的，即解碼器的第一個輸出結(jié)果從哪得到的。
在Transformer模型的訓(xùn)練過程中，解碼器的第一個輸出序列通常是根據(jù)特定的起始標(biāo)記（start token）或者一個預(yù)先定義的初始狀態(tài)得到的。這個起始標(biāo)記是一個特殊的符號，它標(biāo)志著輸出序列的開始。以下是解碼器如何獲得第一個輸出序列的詳細(xì)過程：
1. 起始標(biāo)記：
在訓(xùn)練階段，解碼器的輸入序列通常以一個起始標(biāo)記（例如<START>）開始。這個標(biāo)記是一個預(yù)定義的詞匯表中的詞，它告訴解碼器輸出序列的生成即將開始。
2. 初始化狀態(tài)：
解碼器在開始生成輸出之前，會接收到編碼器的輸出，即編碼器的上下文向量。這些上下文向量包含了輸入序列（如源語言文本）的信息。在某些情況下，解碼器的初始狀態(tài)也可以通過一個額外的向量（如位置編碼）來初始化，以提供序列中每個位置的信息。
3. 自注意力機(jī)制：
在第一個時間步，解碼器使用自注意力機(jī)制處理起始標(biāo)記。由于此時沒有之前的輸出，自注意力機(jī)制會關(guān)注起始標(biāo)記本身，以及可能的位置編碼。
4. 編碼器-解碼器注意力：
解碼器接著使用編碼器-解碼器注意力機(jī)制來關(guān)注編碼器的輸出。這允許解碼器在生成第一個輸出時就利用到輸入序列的信息。
5. 輸出層：
解碼器的輸出層將上述步驟得到的向量轉(zhuǎn)換為概率分布，這個分布表示了詞匯表中每個詞作為第一個輸出的概率。
6. 選擇第一個輸出：
在訓(xùn)練階段，解碼器可能會使用強(qiáng)制策略，這意味著解碼器的第一個輸出會直接使用目標(biāo)序列中的第一個詞。在推理階段，解碼器會根據(jù)概率分布選擇概率最高的詞作為第一個輸出。
7. 迭代生成：
一旦獲得了第一個輸出，解碼器就會將其作為下一個時間步的輸入，并重復(fù)上述過程來生成后續(xù)的輸出序列。
在實(shí)際應(yīng)用中，解碼器的第一個輸出序列的生成方式可能會根據(jù)具體的任務(wù)和模型配置有所不同。例如，在某些情況下，解碼器可能會接收到一個完整的前綴序列，而不是單一的起始標(biāo)記，這在文本摘要任務(wù)中較為常見。在這種情況下，解碼器會基于這個前綴序列來生成剩余的輸出序列。
需要注意的是解碼器中的第一層是一個特殊的多頭注意力層，是一個執(zhí)行了mask的注意力層，因?yàn)榻獯a器是自回歸的，并且依次生成結(jié)果token，我們需要防止它在處理某個token時，對未來的token進(jìn)行處理，原因是模型在訓(xùn)練的時候，是不知道未來輸出的token是什么的，為了保證訓(xùn)練過程和解碼的過程的一致性，我們需要讓解碼器在計算某個token的注意力值的時候，只關(guān)注這個句子中已經(jīng)出現(xiàn)過的token，而屏蔽掉句子中當(dāng)前token之后的其他token的信息。
可以通過以下這張圖來描述Mask的過程，當(dāng)解碼器在處理it時，應(yīng)該把it之后的所有token屏蔽掉。
圖片
在解碼器中計算注意力值時，是用Encoder最后的輸出，和每一個Decoder進(jìn)行交互，這就需要Decoder中的第二層Encoder-Decoder Attention。每個Decoder計算出結(jié)果之后，再作為輸入傳遞給下一個Decoder。
圖片
當(dāng)最后一個Decoder計算完畢后，解碼器得到了一個輸出結(jié)果的向量數(shù)據(jù)。我們?nèi)绾伟阉兂梢粋€詞呢？這就是最后一個 Linear 層的工作，后面是 Softmax 層。
線性層是一個簡單的全連接神經(jīng)網(wǎng)絡(luò)，它將解碼器產(chǎn)生的向量投影到一個更大的向量中，稱為 logits 向量。
假設(shè)我們的模型知道從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)的 10,000 個獨(dú)特的英語單詞。這將使 logits 向量有 10,000 個單元格寬——每個單元格對應(yīng)一個唯一單詞的分?jǐn)?shù)，這就是我們解釋線性層模型輸出的方式。
然后，softmax 層將這些分?jǐn)?shù)轉(zhuǎn)換為概率（全部為正，全部加起來為 1.0）。選擇概率最高的單元格，并生成與其關(guān)聯(lián)的單詞作為該時間步的輸出。
圖片
現(xiàn)在讓我們看看編碼器和解碼器之間是如何協(xié)同工作的。
編碼器首先處理輸入的文本token，然后輸出一組注意力向量 K 和 V。這些向量將由每個解碼器在其“編碼器-解碼器注意力”層中使用，這有助于解碼器關(guān)注輸入序列中的特定token的位置信息，具體計算注意力值的方法跟編碼器中是一樣的，需要注意的是，這里的K、V矩陣來自于編碼器的輸出，而Q矩陣來自于解碼器的輸入。
圖片
重復(fù)回歸以上的步驟，直到出現(xiàn)結(jié)束符號的標(biāo)識，表示解碼器已完成其輸出。每個步驟的輸出在下一個時間步驟中被反饋到底部解碼器，并且解碼器像編碼器一樣向上反饋其解碼結(jié)果。就像我們對編碼器輸入所做的那樣，我們將位置編碼嵌入并添加到這些解碼器輸入中以指示每個單詞的位置。
圖片
至此，已經(jīng)分析完Transformer的編碼器和解碼器的全流程了。
傳統(tǒng)的Transformer模型中，上下文長度是固定的，主要有以下幾個原因：
然而，固定上下文長度也帶來了一些限制，特別是在處理長序列時，模型無法捕獲超過固定長度的依賴關(guān)系，這限制了模型在某些任務(wù)（如長文本生成和理解）上的性能。為了解決這個問題，Transformer-XL等模型通過引入新的機(jī)制來允許處理更長的上下文，從而在不犧牲計算效率的情況下捕獲更長期的依賴關(guān)系。
國產(chǎn)開源公司月之暗面的大模型產(chǎn)品kimi，能夠處理長達(dá)20萬字的超長上下文，那么他是怎么做到的呢，核心是他的模型在Transformer的基礎(chǔ)上做了擴(kuò)展，實(shí)現(xiàn)了自己的Transformer-XL架構(gòu)。
Transformer-XL通過引入兩個關(guān)鍵的技術(shù)改進(jìn)來提升token上下文長度的處理能力：片段遞歸機(jī)制（segment-level recurrence）和相對位置編碼機(jī)制（relative positional encoding）。
通過這兩種機(jī)制，Transformer-XL顯著提升了模型在處理長序列時的性能。
BERT（Bidirectional Encoder Representations from Transformers）是一種預(yù)訓(xùn)練語言表示模型，由Google AI在2018年提出。BERT的核心創(chuàng)新在于利用Transformer架構(gòu)的編碼器部分來學(xué)習(xí)文本數(shù)據(jù)的深層次雙向表示。這種表示能夠捕捉到文本中詞匯的上下文關(guān)系，從而在多種自然語言處理（NLP）任務(wù)中取得了顯著的性能提升。
以下是BERT模型的一些關(guān)鍵特點(diǎn)：
雙向上下文理解：與之前的單向語言模型不同，BERT通過在預(yù)訓(xùn)練階段使用掩碼語言模型（Masked Language Model, MLM）任務(wù)，學(xué)習(xí)了詞匯在句子中的雙向上下文信息。這意味著模型能夠同時考慮一個詞前后的詞匯來理解其含義。
預(yù)訓(xùn)練和微調(diào)：BERT采用了兩階段的訓(xùn)練策略。在預(yù)訓(xùn)練階段，BERT在大量文本數(shù)據(jù)上進(jìn)行無監(jiān)督學(xué)習(xí)，學(xué)習(xí)語言的通用模式。在微調(diào)階段，BERT可以通過少量標(biāo)注數(shù)據(jù)針對特定任務(wù)進(jìn)行有監(jiān)督學(xué)習(xí)，以適應(yīng)各種NLP任務(wù)，如情感分析、問答系統(tǒng)、命名實(shí)體識別等。
Transformer架構(gòu)：BERT基于Transformer的編碼器部分，這是一種注意力機(jī)制（Attention Mechanism）的架構(gòu)，它允許模型在處理序列數(shù)據(jù)時考慮序列中所有位置的信息。
大規(guī)模預(yù)訓(xùn)練：BERT在非常大的文本語料庫上進(jìn)行預(yù)訓(xùn)練，這使得模型能夠?qū)W習(xí)到豐富的語言知識。預(yù)訓(xùn)練的規(guī)模和質(zhì)量對模型性能有重要影響。
多樣化的任務(wù)適應(yīng)性：通過微調(diào)，BERT可以適應(yīng)多種不同的NLP任務(wù)，而不需要對模型架構(gòu)進(jìn)行大的修改。這使得BERT成為了一個靈活且強(qiáng)大的工具。
BERT的推出標(biāo)志著NLP領(lǐng)域的一個重大進(jìn)展，它在多項(xiàng)NLP任務(wù)上刷新了記錄，并催生了一系列基于BERT的改進(jìn)模型，如RoBERTa、ALBERT、DistilBERT等。這些模型在不同的方面對BERT進(jìn)行了優(yōu)化，以提高性能、減少計算資源消耗或改善特定任務(wù)的表現(xiàn)。
以下是使用BERT做掩詞填充的示例，輸入一段文本，讓模型預(yù)測出下一個被掩蓋的詞：
https://huggingface.co/google-bert/bert-base-uncased
圖片
BART（Bidirectional and Auto-Regressive Transformers）是一種先進(jìn)的自然語言處理（NLP）模型，它結(jié)合了BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pre-trained Transformer）的特點(diǎn)，用于文本理解和生成任務(wù)。BART模型特別擅長處理不同類型的文本噪聲和序列變換，使其在多種NLP任務(wù)中表現(xiàn)出色。
BART是基于Transformer架構(gòu)的自編碼自回歸模型。它通過兩個主要步驟進(jìn)行預(yù)訓(xùn)練：
這種預(yù)訓(xùn)練方式使得BART能夠有效地處理文本生成、翻譯和理解等任務(wù)。BART的編碼器是雙向的，能夠捕捉文本的前后文信息，而解碼器是自回歸的，能夠基于前面的輸出生成后續(xù)的內(nèi)容。
BART在多種NLP任務(wù)上取得了顯著的成績，包括但不限于：
與其他預(yù)訓(xùn)練模型相比，BART在處理文本生成任務(wù)時尤其出色。它在自然語言理解任務(wù)中也有很好的表現(xiàn)，與BERT和GPT等模型相比，BART在多個基準(zhǔn)數(shù)據(jù)集上取得了競爭性或更好的結(jié)果。
BART模型通過大量的文本數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，然后在特定任務(wù)上進(jìn)行微調(diào)。預(yù)訓(xùn)練階段，模型學(xué)習(xí)如何從噪聲文本中恢復(fù)原始文本，而微調(diào)階段則是針對特定任務(wù)調(diào)整模型參數(shù)，以優(yōu)化任務(wù)性能。
以下是使用BART做文本摘要的應(yīng)用示例：
https://huggingface.co/facebook/bart-large-cnn
圖片
DistilBERT是一種輕量級的BERT模型，它通過知識蒸餾（knowledge distillation）技術(shù)從預(yù)訓(xùn)練的BERT模型中學(xué)習(xí)知識。這種方法的核心思想是使用一個較小的BERT模型作為“學(xué)生”模型，而原始的、較大的BERT模型則充當(dāng)“教師”模型。在訓(xùn)練過程中，學(xué)生模型嘗試復(fù)制教師模型的輸出，以此來學(xué)習(xí)教師模型的知識。
模型大小和效率：DistilBERT的模型大小和參數(shù)量都比原始的BERT模型小，這使得它在資源受限的環(huán)境中（如移動設(shè)備）更加實(shí)用。它的推理速度也比BERT快，因?yàn)樗枰幚淼膮?shù)更少。
知識蒸餾：DistilBERT使用了一種稱為“軟目標(biāo)”的知識蒸餾方法。在這種方法中，學(xué)生模型不僅學(xué)習(xí)來自訓(xùn)練數(shù)據(jù)的標(biāo)簽，還學(xué)習(xí)教師模型的輸出，這些輸出被視為附加的、軟性的標(biāo)簽。
保持性能：盡管DistilBERT的模型大小減小了，但它仍然保持了與原始BERT模型相當(dāng)?shù)男阅?，特別是在自然語言理解任務(wù)上。
靈活性：DistilBERT保留了BERT模型的基本架構(gòu)，包括Transformer的串聯(lián)層，這使得它可以很容易地適應(yīng)各種下游任務(wù)。
DistilBERT的結(jié)構(gòu)相對簡單，它僅保留了BERT的6層Transformer，刪除了token type embedding和pooler層。在訓(xùn)練過程中，它使用了一種稱為“模型壓縮”的技術(shù)，通過這種方法，模型的層數(shù)被減半，同時從教師模型的層初始化學(xué)生模型的層。
由于其較小的模型大小和較快的推理速度，DistilBERT適用于需要快速處理和低資源消耗的NLP任務(wù)，例如文本分類、情感分析、問答系統(tǒng)和語言模型等。
總的來說，DistilBERT是一個高效的BERT變體，它通過知識蒸餾技術(shù)實(shí)現(xiàn)了模型的壓縮，同時保持了良好的性能，特別適合在資源受限的環(huán)境中使用。
以下是是使用DistilBERT做問答的實(shí)例：
https://huggingface.co/distilbert/distilbert-base-uncased-distilled-squad
圖片
T5模型，全稱為“Text-to-Text Transfer Transformer”，是由Google Research團(tuán)隊(duì)開發(fā)的一種自然語言處理（NLP）模型。T5模型的核心思想是將所有NLP任務(wù)統(tǒng)一轉(zhuǎn)換為文本到文本（Text-to-Text）的格式，從而可以使用同一個模型和訓(xùn)練過程來處理多種不同的任務(wù)，如翻譯、摘要、問答等。
統(tǒng)一的框架：T5模型通過將任務(wù)轉(zhuǎn)換為文本到文本的格式，簡化了不同NLP任務(wù)的處理方式。例如，對于翻譯任務(wù)，輸入可以是“translate English to German: [English text]”，輸出則是翻譯后的文本。
基于Transformer架構(gòu)：T5模型采用了Transformer的encoder-decoder架構(gòu)，這是一種高效的網(wǎng)絡(luò)結(jié)構(gòu)，特別適合處理序列數(shù)據(jù)。
預(yù)訓(xùn)練和微調(diào)：T5模型首先在大規(guī)模的數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)語言的通用表示，然后可以針對特定任務(wù)進(jìn)行微調(diào)，以優(yōu)化任務(wù)性能。
廣泛的應(yīng)用場景：T5模型可以應(yīng)用于多種NLP任務(wù)，包括但不限于文本分類、命名實(shí)體識別、情感分析、機(jī)器翻譯和對話生成等。
高效的計算能力：T5模型的設(shè)計允許它高效地處理大規(guī)模數(shù)據(jù)集，并且具有強(qiáng)大的并行處理能力。
T5模型在訓(xùn)練時使用了一種稱為“C4”的大規(guī)模數(shù)據(jù)集，這個數(shù)據(jù)集由經(jīng)過清洗的Common Crawl數(shù)據(jù)組成。模型通過不同的預(yù)訓(xùn)練目標(biāo)和策略進(jìn)行訓(xùn)練，包括自回歸、自編碼和文本重排等。
在應(yīng)用方面，T5模型的強(qiáng)大語言表示能力和廣泛的應(yīng)用場景使其成為NLP領(lǐng)域的一個重要工具。它可以通過微調(diào)來適應(yīng)不同的領(lǐng)域和任務(wù)，從而在多個NLP任務(wù)上取得優(yōu)異的性能。
T5模型通過其創(chuàng)新的Text-to-Text框架和基于Transformer的架構(gòu)，在自然語言處理領(lǐng)域提供了一種新的解決方案，能夠處理多種復(fù)雜的語言任務(wù)，并且具有很好的擴(kuò)展性和適應(yīng)性。
以下是使用T5做文本翻譯的示例：
https://huggingface.co/google-t5/t5-base
圖片
GPT-2（Generative Pre-trained Transformer 2）是由OpenAI開發(fā)的自然語言處理（NLP）模型，它是GPT系列模型的第二代。GPT-2在自然語言理解和生成方面表現(xiàn)出色，能夠生成連貫、相關(guān)且多樣化的文本。這個模型在發(fā)布時因其生成文本的質(zhì)量和多樣性而受到廣泛關(guān)注。
大規(guī)模預(yù)訓(xùn)練：GPT-2通過在大規(guī)模的互聯(lián)網(wǎng)文本數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)到了豐富的語言模式和知識。這種預(yù)訓(xùn)練使得模型能夠理解和生成自然語言文本。
Transformer架構(gòu)：GPT-2基于Transformer模型架構(gòu)，這是一種依賴于自注意力（self-attention）機(jī)制的深度學(xué)習(xí)架構(gòu)，非常適合處理序列數(shù)據(jù)，如文本。
無監(jiān)督學(xué)習(xí)：GPT-2采用無監(jiān)督學(xué)習(xí)方法，通過預(yù)測下一個詞的任務(wù)來預(yù)訓(xùn)練模型。這種訓(xùn)練方式不依賴于標(biāo)注數(shù)據(jù)，使得模型能夠?qū)W習(xí)到更廣泛的語言知識。
生成能力：GPT-2特別擅長文本生成任務(wù)，能夠生成連貫、有邏輯的段落和文章，甚至能夠模仿特定的寫作風(fēng)格。
多樣性：GPT-2能夠處理多種語言任務(wù)，包括文本生成、翻譯、問答、摘要等。
GPT-2有多個版本，不同版本之間主要區(qū)別在于模型的大小和參數(shù)數(shù)量。例如，最小的版本有1.17億個參數(shù)，而最大的版本（GPT-2 1.5 Billion）有15億個參數(shù)。隨著模型規(guī)模的增加，性能和生成文本的質(zhì)量也相應(yīng)提高。
GPT-2可以應(yīng)用于多種場景，如聊天機(jī)器人、文本摘要、內(nèi)容創(chuàng)作輔助、語言翻譯等。它的生成能力使得在創(chuàng)意寫作、新聞生成和其他需要自然語言生成的領(lǐng)域中具有潛在的應(yīng)用價值。
盡管GPT-2在生成文本方面表現(xiàn)出色，但它也面臨一些挑戰(zhàn)和限制，包括生成文本的偏見問題、事實(shí)準(zhǔn)確性問題以及潛在的濫用風(fēng)險。因此，OpenAI在發(fā)布GPT-2時采取了謹(jǐn)慎的態(tài)度，逐步放開對模型的訪問權(quán)限。
總的來說，GPT-2是一個強(qiáng)大的NLP模型，它在文本生成和理解方面的能力使其成為自然語言處理領(lǐng)域的一個重要里程碑。
以下是使用GPT-2做文本生成的示例：
https://huggingface.co/openai-community/gpt2
圖片
完整的體驗(yàn)地址：https://transformer.huggingface.co/doc/gpt2-large
我們可以輸入一段小說的開頭，比如：As aliens entered our planet，然后Transformer就會依據(jù)我們輸入的文本，自動腦補(bǔ)剩下的小說情節(jié)。
圖片
那Transformer是怎么做到的呢？如下圖所示，Transformer在生成每一個token時，會參考前面所有的token，并生成與之相符的token，這樣循環(huán)往復(fù)就能生成完整的一段內(nèi)容。
圖片
https://arxiv.org/pdf/1706.03762.pdf
https://jalammar.github.io/illustrated-transformer/
https://www.bilibili.com/video/BV1ih4y1J7rx
本文鏈接：http://www.tebozhan.com/showinfo-26-83642-0.html深入理解Transformer技術(shù)原理
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號