本文深入解析Transformer模型，该模型由谷歌于2017年推出，是机器翻译和NLP领域的重要里程碑。核心是注意力机制，包括multi-head attention和feed forward。encoder由多层相同模块组成，每层包含self-attention和feed forward。decoder作为自回归模型，增加了解码过程中的self-attention和inter-attention。Transformer通过position encoding引入位置信息，并采用残差连接和层归一化提升性能。
NLP系列模型解析：
Transformer：https://blog.csdn.net/lppfwl/article/details/121084602
GPT系列：https://blog.csdn.net/lppfwl/article/details/121010275
BERT：https://blog.csdn.net/lppfwl/article/details/121124617
Transformer：Attention is all you need ，谷歌2017年针对机器翻译推出来的模型，是后面GPT、BERT等发展的基础模型。附上原论文：https://paperswithcode.com/paper/attention-is-all-you-need?
Transformer提出了一种全新的NLP模型架构，模型的全部重点都在于attention机制，完全不同于以往的RNN和CNN。先上模型结构图，接下来就根据这张图进行一点点的解析。
Transformer模型由两部分组成：encoder和decoder，这也是以往的机器翻译任务通用的模型结构。encoder负责提取输入inputs的语义信息，decoder负责根据encoder输出的语义特征信息生成翻译的结果，以往的机器翻译模型还会在decode的时候针对encoder输出的语义特征加上注意力机制来提升性能，但是这里的注意力只是作为辅助手段，而Transformer是将attention机制作为模型的核心。
ok，现在进入正题，先讲encoder。
最低0.47元/天 解锁文章
1845
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
