重温 Transformers 解码器

Transformer 架构相对于早期的 RNN 显著提高了自然语言任务的性能，以其独特的注意机制和并行处理能力而闻名，是对理解和生成人类语言的创新飞跃的证明，其准确性和效率前所未有。其不仅重新定义了自然语言处理（NLP）的标准，而且拓宽了发展领域，革新了人工智能的许多方面。本文回顾 Transformer 经典架构的解码器原理与应用，温故知新。

解码器结构

解码器是 Transformer 架构的另一个基本组件，解码器的作用集中在构建文本序列上。与编码器相似，解码器配备了一组类似的子层。它拥有两个多头注意力层，一个前馈神经网络层，并在每个子层后都包含残差连接和层归一化。

这些组件的功能类似于编码器层，但有一个小变化：解码器中的每个多头注意力层都有其独特的任务。Transformer 解码器具有专门设计的结构，可以逐步解码编码信息以生成输出。

解码器以自回归的方式运行，通过启动标记 (token) 来启动其过程。它巧妙地使用先前生成的输出列表作为其输入，与来自编码器的输出一起使用，编码器的输出富含来自初始输入的注意力信息，解码过程一直持续到解码器输出创建结束的标记。

工作流分解

输出嵌入

嵌入 (Embeddings) 过程与编码器的过程相似，同样发生在最底层的解码器中。在这里，输入首先经过嵌入层。

位置编码

在嵌入之后，同样就像编码器一样，输入经过位置编码层，产生这个序列的位置嵌入。

这些位置嵌入被导入到解码器的第一个多头注意力层中，那里会精确计算与解码器输入相关的注意力分数。

解码器层的堆栈结构

解码器由一堆相同的解码器层组成（原始 Transformer 模型中有 6 层）。每一层都有 3 个主要的子组件。

掩码自注意机制

这类似于编码器中的自注意力机制，但有一个关键的区别，掩码自注意机制阻止位置关注后续位置，这意味着序列中的每个单词不受未来标记的影响。这种掩码确保特定位置的预测只能依赖于它之前位置的已知输出。

多头注意力

在解码器的第二个多头注意力层中，我们看到编码器和解码器组件之间独特的相互作用。在这里，编码器的输出扮演查询 (query, Q) 和关键字 (key, K) 的角色，而将解码器第一个多头注意力层的输出则作为值 (value, V)。

这个设定有效地将编码器的输入与解码器对齐，使解码器能够识别并强调编码器输入中最相关的部分。之后，来自第二层多头注意力的输出经过前馈神经网络层的加工，进一步增强了处理能力。

在这个子层中，Q 来自前一个解码器层，而 K 和 V 来自编码器的输出。这使得解码器中的每个位置都可以关注输入序列中的所有位置，有效地将编码器中的信息与解码器中的信息整合在一起。

前馈神经网络

与编码器类似，每个解码器层都包括一个全连接的前馈网络，分别应用于每个位置。通过前馈神经网络的指引，进行标准化残差输出，这是额外细化的关键阶段。将这个网络想象成一对线性层，它们之间嵌入了一个起到桥梁作用的 ReLU 激活函数，处理完毕后的输出循环回来与前馈神经网络的输入合并。之后，又进行了一轮规范化，确保一切都调整好，为接下来的步骤做好同步。

线性层与 Softmax 层

数据最终通过作为分类器的线性层，该分类器的大小对应于涉及的类别总数（词汇表中包含的单词数）。例如，在一个包含 1000 个不同类别代表 1000 个不同单词的情景中，分类器的输出将是一个包含 1000 个元素的数组。

然后将这个输出引入到一个 Softmax 层，将其转换为一系列概率分数，每个分数都介于 0 和 1 之间。其中最高的概率分数是关键的，其对应的索引直接指向模型预测为序列中下一个单词的位置。

规一化和残差连接

每个解码器子层后面都跟着一个归一化步骤，并且每个子层还包括一个绕过它的残差连接。

解码器的输出

最终层的输出经过线性层转换成预测序列，通常接着使用 Softmax 生成词汇的概率。解码器在其操作流程中将新生成的输出合并到其不断增长的输入列表中，然后继续解码过程。这个循环重复进行，直到模型预测出特定的标记，表示过程完成。以最高概率预测的标记被指定为最终类别，通常由结束标记表示。

值得一提的是，解码器层不限于单层，它可以由 N 层结构组成，每一层都建立在来自编码器和其前一层的输入之上。这种分层架构使模型能够多样化其关注重点，并在其注意力头部之间提取不同的注意力模式。这种多层次的方法可以显著增强模型的预测能力，因为它可以更细致地理解不同的注意力组合。

解码器应用

解码器优势

从比较偏颇的一个层面上来说，Transformer 的解码器架构是 Transformer 的核心。解码器架构通常缺乏来自任何编码器的条件信号，输入序列直接送入解码器，解码器通过自注意机制关注输入序列生成输出序列。该架构用于基于固定输入生成输出数据。输入可以是提示 (Prompt)，如一段文本或一幅图像的某些部分缺失，输出是基于该提示生成的。

解码器场景

从目前的 Transformer 架构发展情况来看，解码器架构比编码器架构和编码器-解码器架构更胜一筹，生成信息比分类任务和序列到序列任务更接近于 AGI 的实现。事实也证明，训练模型以预测下一个词会促进出现新的特性和更高效的文本表示，甚至比编码器-解码器和仅编码器模型更好。

解码器模型

GPT (Generative Pre-trained Transformer) 系列

GPT 是解码器模型中最著名的例子之一，在语言生成方面的出色能力引起了广泛关注。GPT 的架构使其能够根据之前的标记预测序列中的下一个标记，从而使其能够编写叙述，生成文本，并对提示做出上下文回应。GPT 为依赖于文本生成和连贯序列创建的创新应用打开了大门，该模型展示了仅解码器架构模拟人类语言生成的潜力，使其成为各种创意任务中不可或缺的工具。

LLaMA (Large Language Model by Meta) 系列

LLaMA 是由Meta AI 开发的一款大型语言模型，它是为了探索和优化自然语言处理任务的能力而设计的。LLaMA 模型的发布目的在于提供一个高效、性能卓越的工具，旨在通过深度学习和大规模数据预训练来理解和生成自然语言。

结语

通过相关研究，我们对 Transformer 解码器架构有了更深入的了解。展望未来，随着 Transformer 架构应用的不断深入，我们有理由相信，大语言模型将在更多领域取得突破性进展，为人类社会带来更多的便利和福祉。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓