Transformer动画讲解-工作原理

最新推荐文章于 2024-09-17 11:41:04 发布

AI大模型-搬运工

最新推荐文章于 2024-09-17 11:41:04 发布

阅读量683

点赞数 14

文章标签： transformer 深度学习人工智能语言模型大模型大语言模型 LLM

本文链接：https://blog.csdn.net/2401_84208172/article/details/141184816

版权

一、GPT的核心是Transformer

GPT：GPT（Generative Pre-trained Transformer）是一种基于单向Transformer解码器的预训练语言模型，它通过在大规模语料库上的无监督学习来捕捉语言的统计规律，从而具备强大的文本生成能力。

GPT

在GPT（Generative Pre-trained Transformer）模型中，字母G、P、T各自有其特定的含义：

G (Generative)：

**“Generative”意味着这个模型是生成式的。**与判别式模型不同，生成式模型试图捕捉数据的分布，并能够生成新的、看似真实的数据样本。
P (Pre-trained)：

“Pre-trained”表示GPT模型在大量的无监督文本数据上进行了预训练，使模型学习到文本中的语言结构和语义信息。
T (Transformer)：

**“Transformer”是GPT模型的核心架构。**Transformer是一种基于自注意力机制的神经网络架构，包括编码器和解码器两部分。

GPT的核心是Transformer

Transformer模型在多模态数据处理中同样扮演着重要角色*******，其能够高效、准确地处理包含不同类型（如图像、文本、音频、视频等）的多模态数据。*******

Transformer的多模态

二、Transformer的工作原理

Transformer工作原理四部曲 ： Embedding（向量化）、Attention（注意力机制）、MLPs（多层感知机）和Unembedding（模型输出）。

Embedding -> Attention -> MLPs -> Unembedding

阶段一：Embedding（向量化）

“Embedding”在字面上的翻译是“嵌入”， 但在机器学习和自然语言处理的上下文中，我们更倾向于将其理解为 一种“向量化”或“向量表示”的技术。

（1）Tokenization（词元化）：

对于文本数据： 在自然语言处理（NLP）中，将输入的文本内容（如句子、段落或整个文档）拆分成更小的片段或元素，这些片段通常被称为词元（tokens）。
对于非文本数据（如音频、图像或视频）： 在音频处理中，音频信号可以被分割成帧（frames）作为音频词元；在图像处理中，图像可以被分割成图像块（patches）作为图像词元；在视频处理中， 视频可以被分割成视频块（patches）作为视频词元。

Tokenization

（2）Embedding（向量化）：

Tokens转换为向量：Embedding层负责将输入的Tokens转换为向量，将文本中的Tokens（如单词或字符）映射为固定大小的实数向量来捕捉这些Tokens的语义信息。

Tokens转换为向量

Embedding框架：TensorFlow、PyTorch、Transformers

TensorFlow：一个广泛使用的开源机器学习框架
TensorFlow可以使用内置的Embedding层来将输入的tokens转换为向量。这个层通常接受输入词汇表的大小、嵌入向量的维度等参数。
PyTorch：另一个流行的深度学习框架
PyTorch同样提供了Embedding层来支持向量语义表示，与TensorFlow中的类似，也接受词汇表大小和嵌入向量维度等参数。
Hugging Face’s Transformers：
Transformers库是由Hugging Face开发的，它基于PyTorch和TensorFlow，提供了大量预训练的Transformer模型，如BERT、GPT等。这些预训练的模型已经包含了Embedding层，可以直接用于将输入的tokens转换为向量。

向量语义相似度： 在训练过程中，算法学会了将含义相似的词汇映射到高维空间中相近的向量上。这使得我们可以通过计算向量间的相似度来评估词汇间的语义关系。

向量语义相似度

阶段二：Attention（注意力机制）

*Attention模块帮助嵌入向量形成相关性，即确定它们如何相互关联以构建出有意义的句子或段落。*

注意力计算公式

（1）Attention的目的：

更新嵌入向量： 通过利用查询（Q）、键（K）和值（V）来计算注意力权重，我们能够对嵌入向量进行深入分析。这个过程使得不同的嵌入向量能够相互“交流”并基于彼此的信息来更新自身的值，从而实现嵌入向量间的有效互动和信息融合。

****

更新嵌入向量

建立语义相关性： 嵌入向量（Embedding Vector）作为单词或文本片段的数值化表示，主要捕捉了这些文本单元的语义信息，但在原始状态下并不直接体现它们之间的相关性。Attention在特定的上下文环境中，识别哪些嵌入向量与当前任务最为相关，并据此调整或更新这些嵌入向量的表示，以强化它们之间的关联性。

建立语义相关性

（2）Attention的工作流程（注意力计算Q、K、V）：

计算Q、K的点积（注意力分数）： **Attention机制会计算Query向量与序列中所有单词的Key向量之间的点积（或其他相似度度量），得到一个分数。**这个分数反映了Query向量与每个Key向量之间的相似度，即每个单词与当前位置单词的关联程度。
Softmax函数归一化（注意力权重）： 这些分数会经过一个Softmax函数进行归一化，得到每个单词的注意力权重。这些权重表示了在理解当前单词时，应该给予序列中其他单词多大的关注。
注意力权重加权求和（加权和向量）： 这些注意力权重与对应的Value向量进行加权求和，得到一个加权和向量。这个加权和向量会被用作当前单词的新表示，包含了更丰富的上下文信息。

注意力计算Q、K、V

阶段三：MLPs（*多层感知机或前馈网络*）

*Transformer的编码器和解码器中的每一层都包含一个全连接的前馈神经网络。FFNN通常包含两个线性变换，中间使用ReLU激活函数进行非线性处理。*

（1）MLPs在Transformer中的位置：

Transformer的编码器：包含两个主要的子层， 一个多头自注意力（Multi-Head Self-Attention）机制和一个全连接的前馈神经网络（MLP）。
Transformer的解码器：包含三个主要的子层：*一个Masked Multi-Head Self-Attention机制（用于编码器的输出），一个Multi-Head Encoder-Decoder Attention机制（用于结合编码器的输出和解码器的当前位置信息），以及一个全连接的前馈神经网络（MLP）。***

MLPs在Transformer中的位

（2）MLPs在Transformer中的作用：

*非线性变换：*MLPs通过引入激活函数（如ReLU）提供非线性变换，*这有助于模型捕获输入数据中的复杂模式。*
*特征提取与整合：*MLPs进一步处理和转换注意力机制提取的特征，*提取和整合更多有用的信息，**使其能够学习更加复杂的函数关系。***

‍

MLPs在Transformer中的作用

阶段四：Unembedding（模型输出）

Transformers通过Softmax在生成输出时将原始注意力分数转换为输入标记的概率分布。这种概率分布将较高的注意力权重分配给更相关的标记，并将较低的权重分配给不太相关的标记。

（1）Softmax在Transformer的位置：

**Attention（注意力）：**使用Softmax函数对这些相似度分数进行归一化，生成一个权重分布，该分布表示了在计算当前位置（query）的表示时，应赋予其他位置（keys）多大的关注程度。
**输出层（Output Layer）：**产生一个未经归一化的分数向量（logits），其中每个元素对应于词汇表中一个词的概率。Softmax函数被应用于这个分数向量，将其转换为概率分布，其中每个元素表示生成对应词汇的概率。

Softmax在Transformer的位置

（2）Softmax在Transformer的作用：

归一化： Softmax函数将原始分数转换为概率分布，确保所有概率之和为1，使得输出结果可以解释为概率。

可解释性： 输出的概率分布使得模型预测结果更加直观和可解释，我们可以直接查看模型为每个可能输出分配的概率。

Softmax在Transformer中的作用

在大模型时代，我们如何有效的去学习大模型？

现如今大模型岗位需求越来越大，但是相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。
在这里插入图片描述

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把都打包整理好，希望能够真正帮助到大家_。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向，东学一点西学一点，像只无头苍蝇乱撞，下面是我整理好的一套完整的学习路线，希望能够帮助到你们学习AI大模型。

在这里插入图片描述

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。