一文搞懂 Transformer 工作原理 ！！_transformer原理

文章目录

---

前言

本文将从单头Attention工作原理、多头Attention工作原理、全连接网络工作原理三个方面，实现一文搞懂Transformer的工作原理。

Transformer工作原理 

---

一、单头Attention工作原理

单头Attention（Single-Head Attention）：单头注意力是一种注意力机制，它只求一次注意力。在这个过程中，对同样的查询（Q）、键（K）和值（V）求一次注意力，得到一个输出。这种机制允许模型从不同的表示子空间在不同位置关注信息。

Scaled Dot-Product（缩放点积运算）

• Query、Key和Value矩阵：

Query矩阵（Q）：表示当前的关注点或信息需求，用于与Key矩阵进行匹配。

Key矩阵（K）：包含输入序列中各个位置的标识信息，用于被Query矩阵查询匹配。

Value矩阵（V）：存储了与Key矩阵相对应的实际值或信息内容，当Query与某个Key匹配时，相应的Value将被用来计算输出。

• 点积计算：

        通过计算Query矩阵和Key矩阵之间的点积（即对应元素相乘后求和），来衡量Query与每个Key之间的相似度或匹配程度。

• 缩放因子：

        由于点积操作的结果可能非常大，尤其是在输入维度较高的情况下，这可能导致softmax函数在计算注意力权重时进入饱和区。为了避免这个问题，缩放点积注意力引入了一个缩放因子，通常是输入维度的平方根。点积结果除以这个缩放因子，可以使得softmax函数的输入保持在一个合理的范围内。

• Softmax函数：

        将缩放后的点积结果输入到softmax函数中，计算每个Key相对于Query的注意力权重。Softmax函数将原始得分转换为概率分布，使得所有Key的注意力权重之和为2。

工作原理：单头Attention通过计算每个token的查询向量与所有token的键向量的点积，并经过softmax归一化得到注意力权重，再将这些权重应用于值向量进行加权求和，从而生成每个token的自注意力输出表示。

• 每个token对应的Query向量与每个token对应的Key向量做点积

        对于输入序列中的每个token，我们都有一个对应的查询向量（Query Vector，Q）和键向量（Key Vector，K）。

        我们计算每个查询向量与所有键向量的点积。

        这个步骤是在所有token之间建立关系，表示每个token对其他token的“关注”程度。

QK向量点积运算

• 将上述点积取softmax（得到0~1之间的值，即为Attention权重）

点积的结果需要经过一个softmax函数，确保所有token的注意力权重之和为1。softmax函数将点积结果转换为0到1之间的值，这些值表示了每个token相对于其他所有token的注意力权重。

计算Attention权重

• 计算每个token相对于所有其他token的Attention权重（最终构成一个Attention矩阵）

经过softmax处理后的注意力权重构成了一个Attention矩阵。

这个矩阵的每一行对应一个token，每一列也对应一个token，矩阵中的每个元素表示了对应行token对列token的注意力权重。

构成Attention矩阵

• 每个token对应的value向量乘以Attention权重，并相加，得到当前token的Self-Attention value向量

使用这个Attention矩阵来加权输入序列中的值向量（Value Vector，V）。

具体来说，对于每个token，我们将其对应的值向量与Attention矩阵中该token所在行的所有权重相乘，并将结果相加。

这个加权求和的结果就是该token经过自注意力机制处理后的输出表示。

加权求和Value向量

• 将上述操作应用于每个token

上述操作会应用于输入序列中的每个token，从而得到每个token经过自注意力机制处理后的输出表示。

这些输出表示通常会被送到模型的下一个层进行进一步的处理。

应用于每个token

二、多头Attention工作原理

多头Attention（Multi-Head Attention）：多头注意力机制通过并行运行多个Self-Attention层并综合其结果，能够同时捕捉输入序列在不同子空间中的信息，从而增强模型的表达能力。

• Multi-Head Attention实际上是多个并行的Self-Attention层，每个“头”都独立地学习不同的注意力权重。
• 这些“头”的输出随后被合并（通常是拼接后再通过一个线性层），以产生最终的输出表示。
• 通过这种方式，Multi-Head Attention能够同时关注来自输入序列的不同子空间的信息。

Multi-Head Attention

工作原理：多头Attention将每个头得到向量拼接在一起，最后乘一个线性矩阵，得到Multi-Head Attention的输出。

• 输入线性变换：对于输入的Query（查询）、Key（键）和Value（值）向量，首先通过线性变换将它们映射到不同的子空间。这些线性变换的参数是模型需要学习的。
• 分割多头：经过线性变换后，Query、Key和Value向量被分割成多个头。每个头都会独立地进行注意力计算。
• 缩放点积注意力：在每个头内部，使用缩放点积注意力来计算Query和Key之间的注意力分数。这个分数决定了在生成输出时，模型应该关注Value向量的部分。
• 注意力权重应用：将计算出的注意力权重应用于Value向量，得到加权的中间输出。这个过程可以理解为根据注意力权重对输入信息进行筛选和聚焦。
• 拼接和线性变换：将所有头的加权输出拼接在一起，然后通过一个线性变换得到最终的Multi-Head Attention输出。

拼接和线性变换

三、全连接网络工作原理

前馈网络（Feed-Forward Network）：Transformer模型中，前馈网络用于将输入的词向量映射到输出的词向量，以提取更丰富的语义信息。前馈网络通常包括几个线性变换和非线性激活函数，以及一个残差连接和一个层归一化操作。

• Encoder编码器：

Transformer中的编码器部分一共N个相同的编码器层组成。

每个编码器层都有两个子层，即多头注意力层（Multi-Head Attention）层和前馈神经网络（Feed-Forward Network）。

在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为Add&Norm操作。

Encoder（编码器）架构

• Decoder解码器：

Transformer中的解码器部分同样一共N个相同的解码器层组成。

每个解码器层都有三个子层，掩蔽自注意力层（Masked Self-Attention）、Encoder-Decoder注意力层、前馈神经网络（Feed-Forward Network）。

同样，在每个子层后面都有残差连接（图中的虚线）和层归一化（LayerNorm）操作，二者合起来称为Add&Norm操作。

Decoder（解码器）结构

工作原理：Multi-Head Attention的输出，经过残差和norm之后进入一个两层全连接网络。

全连接网络

参考：架构师带你玩转AI