Transformer动画讲解 - 多层感知机

前言

从端到端的角度来看，数据在Transformer中的流转可以概括为四个阶段：Embedding（嵌入）、Attention（注意力机制）、MLPs（多层感知机）和Unembedding（从模型表示到最终输出）。

下面对第三个阶段MLPs（多层感知机或前馈网络）进行详细介绍：

MLPs（多层感知机）在Transformer中的位置：

• Transformer的编码器和解码器结构：
  （1）Transformer的编码器由多个相同的层堆叠而成，每个层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）。
  （2）Transformer的解码器也由多个相同的层堆叠而成，但每个层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）。

• MLP在Transformer中的位置：MLP位于Self-Attention（或Masked Self-Attention）和Multi-Head Attention层之后。
  

MLPs（多层感知机）的模型架构：

• MLPs模型架构：

（1）通常包含两个线性变换层，即一个输入层、一个隐藏层和一个输出层。

（2）在每个线性变换层之间，会应用一个激活函数（如ReLU），以增强模型的非线性表示能力。

（3）数学表达式为，FFN(x) = max(0, xW1 + b1)W2 + b2。

MLPs（多层感知机）在Transformer中的作用：

• MLP在Transformer中的作用：
  （1）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。
  （2）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。
• MLP的两个线性变换层的作用：
  （1）第一个线性变换层：增加了输入的维度，以便网络能够学习更复杂的表示。
  （2）第二个线性变换层：将维度还原到与输入相同的大小，通过残差连接和层归一化，将MLP的输出与原始输入相加并进行归一化，以确保稳定的训练过程。
  

Transformer无限循环操作Attention + MLP：

• Transformer操作的本质：海量的矩阵乘法。大模型比拼的就是算力，背后大佬就是万卡集群（GPU集群）。
  

• 无限循环Attention + MLP：Attention模块和多层感知机（MLP）模块之间不断切换，直到输出完全融入到序列的最后一个向量。
  

最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

五、面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下。

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】