博主会经常分享自己在人工智能阶段的学习笔记，欢迎大家访问我滴个人博客！（都不白来！）
小牛壮士 - 个人博客
https://kukudelin.top/
前言
Transformer 广泛应用于自然语言处理（如机器翻译、文本生成）等领域，是BERT、GPT等大模型的基础架构
以自注意力机制为核心：让模型关注输入序列中不同位置的关联
具备强并行化能力：彻底摆脱了RNN等模型的序列依赖，能并行处理输入数据
采用编码器 - 解码器架构：分别负责处理输入序列为上下文表示及据此生成输出序列。
一、位置编码Position Encoding
1.1 因
自注意力机制在计算关联时，本质上是对序列中所有元素进行 “全局配对” 计算，没有办法考虑到元素的输入顺序，因此在输入之前我们需要使用位置编码来使自注意力机制区分序列中不同位置的元素
1.2 果
在输入到 Transformer 模型之前，每个词的词嵌入向量（包含语义信息的原始维度数据）会与对应的位置编码向量（模型根据这个编码来区分输入特征的前后位置）进行逐元素相加，形成一个新的向量。这个新向量同时包含了词的语义信息和它在序列中的位置信息。
1.2.1 固定函数生成位置编码
对于一个长度为N，词向量维度为d的句子，他在长度索引为i，维度索引为j的位置编码计算公式如下
例如步长为5的句子“I am a handsome boy”，经过嵌入层得到4个维度的词向量，那么对应的位置编码为：
最终得到的位置编码与词嵌入向量逐元素相加，得到最终输入模型的矩阵
二、层归一化
与批归一化不同，层归一化是对神经网络某一层的所有输入特征按样本计算均值和方差，再进行标准化以稳定训练的技术，他的范围是一个输入词向量在神经网络中的某一层的所有特征维度。
相当于对句子中每一个词对应的行向量求归一化，可以看看这个案例：
三、编码器Encoder
编码器主要负责对输入序列进行深度处理和信息提取，将原始输入（如一句话、一段文本）转换为包含丰富上下文信息的向量表示
模块组成部分：
Multi-Head Attention：多头注意力机制
Feed Forward：前馈神经网络，就是一个线性层
Add&Norm：残差连接和归一化（经过注意力机制和归一化后的输出和最初输入进行逐元素相加，输入→处理→输出 + 输入）
四、掩蔽多头自注意力Masked Multi-Head
4.1、掩码Mask
在文本生成任务中，由于模型需按顺序生成内容且遵循“仅基于历史内容预测下一个词”的自回归逻辑，即生成第n个词时只能受前n-1个词影响，因此需引入掩码来限制模型对后续未生成内容的关注。
掩码操作是加在Q与K转置相乘后的原始注意力得分矩阵（每个元素表示 “查询向量 Q 对键向量 K 的关联强度”），从而限制模型关注范围，下图所示的掩码矩阵中绿色部分值为0，按位相加后原得分矩阵值不变，表示模型需要关注的范围，黄色部分为-∞，按位相加后仍为-∞，模型不关注这部分
第一步
最终得到的掩码得分矩阵再与V进行加权求和，得到最后Z矩阵，他 “融合了上下文的语义向量”（比如第 0 行 Z 融合了第 0 个位置能关注到的信息）
第二步
以第0行为例，掩码得分举证只显现了第一个词的语义信息，那么当Z处理第 0 个位置的词时，模型只能看到自己的语义，然后把‘自己的语义’作为输出
而对比第1行，Z处理第 1 个词时，模型可以参考‘第 0 个词（历史）’和‘自己（第 1 个词）’的语义，融合后输出
五、解码器Decoder
Transformer 通过编码器输出的全局语义信息结合自回归机制（通过掩码限制仅关注历史生成内容），逐词生成目标序列
注意在解码器的第二个多头注意力机制上融合了编码器的信息，依据 Encoder 输出 ( C ) 得到 ( K )、( V )，并以上一个 Decoder block 输出 ( Z )，构建注意力交互基础 。
六、预测输出
始终通过前一个词来预测后一个词，保持模型的自回归属性
