回复
大模型Transformer架构之编码器(Encoder)和解码器(Decoder) 原创
“ Transformer编码器的作用是特征提取，而解码器的作用是特征重建 ”
在上一篇文章中介绍了大模型的嵌入和向量，这一篇来介绍一下大模型的经典架构之Transformer架构的编码器和解码器。
像很多人一样，一直在奇怪Transformer架构经过多层编码和解码之后就能处理输入数据并生成新的数据；所以，今天我们就来深入了解一下Transformer的编码器。
Transformer的编码器
对计算机网络和加解密比较了解的朋友应该都知道编码和解码；以计算机的四层模型来说，应用层——传输层——网络层——数据链路层；除了应用层之外，其它三层的数据格式都是以字节流的形式存在；而在应用层对数据进行编码和解码，以获取人类能够识别的字符，文本，图片等数据。
再比如我们开发中常用的加解密等手段，也是在应用层进行处理的；因为在下层的字节流中是看不出任何有意义的信息的。
而Transformer的编码器就类似于这种功能，Transformer的编码器就是把人类能够识别的数据，转换成大模型能够识别的数据；而解码器就是把大模型能够识别的数据转换为人类能够识别的内容。
但这个转换过程并不只是简单的格式变换，而是要经过多重数据处理；而这才是Transformer编码器的核心所在。
Transformer的Encoder-Decoder编码器-解码器结构，这种结构被广泛应用于处理序列格式的数据(Seq2Seq)；编码器和解码器是其组成部分的核心结构。
编码的过程是一个模式提取的过程，它的作用是把输入句子的特征提取出来；比如句子的文字，语义关系等；而解码的过程是一个模式重建的过程，它是根据编码器获取的模式特征生成新的我们需要的内容，这个过程就是模式重建的过程。
比如说大模型的经典应用领域之语言翻译，就是经过预训练的模型根据模式特征去“理解”一种语言，然后再根据另一种语言的模式特征生成翻译结果。
Encoder的主要作用是进行特征提取，这样做是因为原始输入中包含一些无用或干扰信息，这会使模型的性能和泛化性大打折扣。所以在这之前，我们通过Encoder来先对数据进行一次特征提取和挖掘.
从架构上看Encoder仅仅只是一个编码器，但如果把这个编码器给放大，我们就能看到里面更多的东西，比如说Transformer架构中最经典的自注意力机制。
Encoder中有一个嵌入输入，也就是上篇文章中讲的嵌入，把人类能识别的文本转化为向量输入到编码器中；当然，这个并不是编码器的重点；编码器的重点在其蓝色框中的部分。也就是里面的自注意力层，包括多头注意力和Add&Norm，也就是Add & Norm 残差 & Layer Normalization 层归一化，以及前馈神经网络——也就是feed forward。
整体流程是这样的：
- 首先输入进Encoder的向量会经过一个自注意力层，自注意力层会输出一个长度与输入一致，但特征维度可能不一致（也可能一致）的新特征向量z zz
- 之后会再进行一个残差连接（Residual Connection）的操作，将输入x xx和z zz相加
- 使用Layer Normalization的方法对残差连接得到的结果进行层归一化的操作
- 再送入一个前馈神经网络
- 同样的，执行2.和3.的操作，进行一次残差和归一化处理后输出
说了那么多，其实本质上就是一种数学模型，通过加权，求和等一系列的函数计算，来获取其数学关系。
而经过多层Encoder编码器层的运算，就能提取出输入数据的模式特征；最终形成记忆——也就是大模型的参数值；后续的推理任务，就可以根据这些参数值来分析输入数据的模式特征，然后“理解”其语义关系。
而解码器从结构上来说和编码器没太大区别，唯一不同的是，解码器比编码器多了一个自注意层。
数据经过解码器之后，就是把编码器通过模式提取的空间特征，映射到目标空间中，也就是解码器的模式特征模块；最后，解码器通过这些模式特征生成新的数据。
这就是大模型Transformer的基本运作过程，当然其真实的运作过程远比描述的要复杂得多。
而大模型就是通过多层神经网络来实现编码器-解码器的结构，通过训练之后，最终来执行真实的场景任务。
本文转载自公众号AI探索时代 作者：DFires
©著作权归作者所有，如需转载，请注明出处，否则将追究法律责任
赞
收藏
回复
相关推荐
