Transformer是一种基于 自注意力（Self-Attention）机制 的深度学习模型，最初由Vaswani等人在2017年的论文《Attention Is All You Need》中提出。它 完全基于注意力机制 构建， 摒弃了传统的循环和卷积结构 ，用于解决自然语言处理领域的任务，如机器翻译、文本生成等。

Transformer

一、Transformer的本质

什么是Transformer？ Transformer模型是一种强大的深度学习架构，它利用 自注意力机制和多头注意力 来捕捉序列内部的依赖关系，并通过位置编码来引入位置信息。

Transformer的本质是什么？Transformer的本质是一个 基于自注意力机制的编码器-解码器架构 ，它能够有效地处理序列到序列的任务，并捕捉输入序列中的长距离依赖关系。 Transformer左边是N个编码器，右边是N个解码器，其中N为6。

二、Transformer的架构

Transformer的架构是什么？Transformer遵循编码器-解码器总体架构，使用堆叠的自注意力机制和全连接层，分别用于编码器和解码器，如图中的左半部分和右半部分所示。

自注意力（Self- Attention）机制是什么？自注意力机制用于计算输入序列中各个元素之间的相关性，并据此更新每个元素的表示。与传统的注意力机制不同，自注意力机制不需要外部信息或额外的查询（Query）来引导注意力的分配，而是仅依赖于输入序列本身。

在自注意力机制中， 输入序列首先被转换为三个不同的表示：查询（Query）、键（Key）和值（Value） 。这些表示通常是通过将输入序列与相应的权重矩阵相乘得到的。然后，计算查询与每个键之间的点积，得到注意力分数，这些分数反映了查询与每个键之间的相关性。

Transformer注意力机制有哪些？ Transformer模型中注意力机制有三个主要用途。Encoder中的Self-Attention 用于捕捉输入序列内部各元素之间的关系 用于生成目标序列时考虑已生成的部分 用于将输入序列的信息融入到目标序列的生成过程中

Transformer的核心组件有哪些 Transformer模型包含输入嵌入、位置编码、多头注意力、残差连接和层归一化、带掩码的多头注意力以及前馈网络等组件。

原文链接：​ ​​ ​