简介

Transformer通过注意力机制解决了RNN的长程依赖和并行化瓶颈，由编码器和解码器组成，核心包括词嵌入、位置编码、自注意力机制和多头注意力机制。基于此架构发展出的BERT、GPT和Vision Transformer等模型，已成为大语言模型和计算机视觉的基石，彻底改变了AI领域，是理解现代人工智能不可或缺的基础知识。

---

Transformer 架构可以说是过去十年机器学习中最重要的进展之一，它彻底改变了自然语言处理（NLP），如今也正扩展到计算机视觉及其他领域。这个主题比较复杂，因此我们先聚焦核心概念。

你也可以跳过其余内容，直接阅读 https://kikaben.com/transformers-encoder-decoder。 这篇文章对这一概念解释得非常清楚。

一、前 Transformer 时代：为什么需要一种新架构？

在 Transformer 出现之前，序列数据（如文本）的最先进方法主要依赖循环神经网络（RNN），以及它们更强大的变体——长短期记忆网络（LSTM）和门控循环单元（GRU）。

RNN 会按顺序处理数据。要理解一句话中的第五个单词，RNN 必须先处理第一个、第二个、第三个和第四个单词。这种顺序处理方式带来了两个主要瓶颈：

1. 1. 长程依赖问题（Long-Range Dependency Problem）：在一段长文本中，第一句话的信息可能对理解最后一句话至关重要。对于 RNN 来说，这意味着最初的信息必须经过整个序列的处理步骤才能传递到最后。但到最后，这条信号可能变得非常微弱或“消失”，使模型难以关联远距离的单词。
2. 2. 并行化问题（Parallelization Problem）：由于必须先处理单词 N 才能处理单词 N+1，无法一次性处理整句话。这会导致在大规模数据集上的训练非常缓慢且低效，因为无法充分利用擅长并行计算的现代硬件（如 GPU 和 TPU）。

Transformer 的目标是设计一种既能处理长程依赖，又高度可并行化的架构。它通过完全舍弃循环结构，引入了称为 注意力机制（attention） 的方法，实现了这一目标。

二、Transformer 概览：高层次视图

最初的 Transformer 由开创性论文《Attention Is All You Need》提出，最初用于机器翻译（例如，将英语翻译成法语）。

它由两部分组成：

编码器（Encoder）：读取输入句子（例如 “The cat sat on the mat”），并构建其丰富的上下文数值表示。

解码器（Decoder）：接收编码器生成的表示，并一次生成一个单词，构建输出句子（例如 “Le chat était assis sur le tapis”）。

编码器和解码器都是由多个相同的层堆叠而成。接下来，我们将详细拆解这些层内部的结构。

三、 核心概念 1：输入处理（Embedding 与位置编码）

计算机无法理解自然语言单词，因此我们首先需要将单词转换为数字。

a) 分词与词向量（Tokenization and Word Embeddings）

首先，将句子拆分成 token（通常是单词或子词）。每个 token 通过 embedding 层映射为一个数值向量。这个向量不仅仅是一个随机 ID，而是一个稠密表示，具有语义相似性的单词会被映射到相近的向量。例如，“king” 与 “queen”的向量会比它们与“apple”的向量更接近。

b) 位置编码（Positional Encoding）：缺失的顺序感

由于 Transformer 没有循环连接，如果直接输入词向量，它无法知道单词的顺序。“The cat chased the dog” 与 “The dog chased the cat” 会看起来完全相同。

为了解决这个问题，我们将位置编码注入输入的词向量中。这些向量为序列中的每个单词提供了独特的“时间戳”或位置信号。原始论文使用了一个巧妙的方法：对不同频率的正弦和余弦函数进行编码。

直观理解：每个位置都会获得一个独特的标记。该方法还允许模型轻松学习相对位置，因为位置 pos+k 的编码可以用位置 pos 的编码通过线性函数表示。

四、 核心概念 2：自注意力机制（Transformer 的核心）

这是使模型在处理特定单词时能够衡量序列中不同单词重要性的机制。它允许每个单词直接“查看”序列中的每一个其他单词。

想象翻译句子：“The animal didn’t cross the street because it was too tired.”

“it” 指代什么？答案是 the animal。自注意力机制帮助模型学习这种联系。

a) 查询、键和值（Q、K、V）

注意力机制基于三个为每个输入词嵌入生成的向量：

• • Query (Q)：表示当前单词正在“寻找”的上下文。它提出一个问题：“我应该关注哪些其他单词？”
• • Key (K)：表示单词的“标签”或它提供的信息。它像一个广告：“这是我持有的信息。”
• • Value (V)：表示单词的实际内容。它是信息载体：“如果你关注我，你会得到这些信息。”

这三个向量是通过将输入嵌入分别乘以三个可学习的权重矩阵（Wq、Wk、Wv）得到的，这些矩阵在训练过程中学习。

b) 缩放点积注意力公式

这个过程分几个步骤：

• • 计算得分（Score）：对于我们正在处理的单词（用其 Query Q 表示），与句子中每个其他单词（用其 Key K 表示）计算得分。通过 Q 和每个 K 的点积实现。得分高表示单词之间高度相关。
• • 缩放（Scale）：将得分除以 Key 向量维度的平方根 (√d_k)。这个缩放步骤对训练中梯度稳定非常关键。
• • 权重（Softmax）：将缩放后的得分通过 softmax 函数，将其转化为概率，所有权重之和为 1。结果就是每个单词的“注意力权重”。权重高表示该单词对理解当前单词非常重要。
• • 输出（Output）：当前单词的最终输出是句子中所有 Value (V) 向量的加权和，使用来自 softmax 的注意力权重。

这个过程会对句子中的每个单词并行执行，为每个单词生成一个新的表示，这个表示融合了整个序列的丰富信息。

五、核心概念 3：多头注意力机制（Multi-Head Attention）

单个自注意力机制可能只关注一种类型的关系（例如主语-动词）。但如果我们想同时捕捉多种关系（例如代词-先行词、形容词-名词等）怎么办？

这就是多头注意力机制的理念。

工作原理：

• • 与其只有一组 Q、K、V 矩阵，我们有多组矩阵（例如 8 个“头”）。
• • 输入嵌入被拆分，每个“头”获得自己的一组 Q、K、V 矩阵，并并行执行注意力计算。
• • 每个头生成自己的输出向量，这些向量随后被拼接起来，并通过最终的线性层。

直观理解：就像让八个人同时看同一句话。一个人可能是语法学家，关注句法结构；另一个可能是诗人，关注韵律；还有一个可能是讲故事的人，关注情节。多头注意力机制允许模型在不同位置关注来自不同表示子空间的信息。

六、核心概念 4：完整结构（编码器与解码器模块）

现在，让我们用前面介绍的组件组装完整的模块。

a) 编码器模块（Encoder Block）

单个编码器模块包含两个主要子层：

• • 多头注意力层（Multi-Head Attention）
• • 逐位置前馈网络（Feed-Forward Network, FFN）：这是一个两层全连接网络，用于分别处理注意力层在每个位置的输出。

每个子层都有残差连接（Residual Connection），并在其后进行层归一化（Layer Normalization），即图中的“Add & Norm”部分。这对训练深层 Transformer 至关重要，可防止梯度消失。

b) 解码器模块（Decoder Block）

解码器模块类似，但包含三个子层：

1. 1. 掩码多头注意力（Masked Multi-Head Attention）
      这是一个自注意力层，关注已生成的句子。它被“掩码”以防止某个位置看到未来位置的信息。例如，在预测第 4 个词时，它只能访问词 1–3，而看不到句子的其余部分。这对文本生成至关重要。
2. 2. 编码器-解码器注意力（Encoder-Decoder Attention）
      这是连接编码器和解码器的关键层。它将编码器输出作为 Key（K）和 Value（V），将前一层掩码注意力输出作为 Query（Q）。解码器通过这一层“查看”输入句子，以决定生成下一个词时哪些部分最相关。
3. 3. 前馈网络（Feed-Forward Network）
      与编码器中的 FFN 相同。

同样，每个子层都有残差连接和层归一化。

七、 超越原始 Transformer：现代 Transformer 生态

原始 Transformer 只是一个起点，其核心思想已被改造成多种专业而强大的模型：

BERT（仅编码器，Encoder-Only）
全称 Bidirectional Encoder Representations from Transformers。BERT 仅使用编码器堆栈，预训练在海量文本上以理解语言。它不用于生成文本，而是用于文本分类、问答和情感分析等任务。

GPT（仅解码器，Decoder-Only）
全称 Generative Pre-trained Transformer。GPT 仅使用解码器堆栈，专为生成类似人类文本而设计。它通过预测句子中的下一个词进行预训练，非常适合创意写作、摘要生成和聊天机器人。

Vision Transformer（ViT）
证明 Transformer 不仅适用于文本。ViT 将图像分割为网格补丁，将它们展平并视为一系列“令牌”，然后使用标准 Transformer 编码器处理该序列以进行图像分类，其效果可与 CNN 相媲美。

八、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。

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。

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。

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书籍

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大模型各大场景实战案例

结语

【一一AGI大模型学习 所有资源获取处（无偿领取）一一】
所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~