是什么
Transformer是一种用于处理序列数据的神经网络架构,最初由Vaswani等人在2017年提出,主要应用于自然语言处理(NLP)任务,如机器翻译、文本生成和文本分类。Transformer通过引入注意力机制(Attention Mechanism),解决了传统序列模型(如RNN和LSTM)在长序列处理中的一些局限性,如梯度消失和并行计算困难。
基本结构
输入嵌入
输入序列中的每个元素(如单词或字符)首先被转换为一个固定维度的向量表示。
位置编码
因为Transformer没有递归结构,它引入位置编码来表示输入序列中每个位置的信息。位置编码可以是正弦和余弦函数的组合,也可以是可学习的位置向量。
编码器
Transformer的编码器由多个相同的层叠堆叠而成,每一层包括两个子层:
多头自注意力机制
通过计算输入序列中每个元素之间的注意力权重,来捕捉序列中的全局依赖关系。
前馈神经网络
对每个位置的输出进行进一步的非线性变换。
解码器
解码器结构与编码器类似,也由多个相同的层叠堆叠而成,但每层有三个子层
遮蔽多头自注意力机制
与编码器的自注意力类似,但在训练过程中对未来的时间步进行遮蔽。
多头注意力机制
利用编码器的输出进行注意力计算。
前馈神经网络
类似编码器的前馈神经网络。
输出层
解码器的最终输出通过线性变换和Softmax层,得到预测的概率分布。
Transformer的工作原理
自注意力机制
对于输入序列中的每个位置,通过计算与其他位置的相关性,生成加权的组合表示。主要公式包括:
查询(Query, Q),键(Key, K),值(Value, V)
输入向量通过线性变换得到Q、K和V矩阵。
注意力权重计算
其中,dk 是键向量的维度,用于缩放内积。
多头注意力机制
将自注意力机制扩展为多个头(head),每个头独立计算注意力,然后将结果拼接并线性变换,捕捉不同的子空间特征。
前馈神经网络
对每个位置的输出进行独立的线性变换和非线性激活,通常使用ReLU激活函数。