Transformer 模型简介：它们是什么以及它们如何工作

Transformer 是人工智能领域的一项突破，尤其是在自然语言处理 (NLP) 领域。它们以其性能和可扩展性而闻名，在语言翻译和对话式人工智能等应用中至关重要。本文探讨了它们的结构、与其他神经网络的比较以及它们的优缺点。

目录

• 什么是变压器模型？
• Transformer 与 CNN 和 RNN
• 变压器模型如何工作
• 变压器模型示例
• 优点
• 缺点

什么是变压器模型？

Transformer 是一种广泛应用于 NLP 中的深度学习模型。由于其任务性能和可扩展性，它是GPT系列（OpenAI制造）、Claude（Anthropic制造）和Gemini（Google制造）等模型的核心，并在整个行业得到广泛应用。

深度学习模型由三个主要部分组成：模型架构、训练数据和训练方法。在这个框架内，变压器代表一种模型架构。它定义了神经网络的结构及其相互作用。 Transformer 与其他机器学习 (ML) 模型的关键创新在于“注意力”的使用。

注意力是 Transformer 中的一种机制，使它们能够有效地处理输入并维护长序列（例如整篇文章）的信息。

下面举一个例子来说明。 “那只猫坐在河边。然后它就移动到附近树的树枝上。”你可以认识到这里的“银行”并不是你存钱的银行。您可能会使用“河流”的上下文线索来解决这个问题。注意力的作用类似；它使用其他单词来定义每个单词的含义。例子中的“it”指的是什么？该模型会将“移动”和“树”这两个词视为线索，以认识到答案是“猫”。

尚未解答的重要问题是模型如何知道要查看哪些单词。我们稍后会讨论这个问题。现在我们已经定义了变压器模型，让我们进一步解释为什么它被如此频繁地使用。

Transformer 与 CNN 和 RNN

循环神经网络（RNN）和卷积神经网络（CNN）是另外两种常见的深度学习模型。虽然 RNN 和 CNN 有其优点，但 Transformer 的使用更为广泛，因为它们可以更好地处理长输入。

Transformer 与 RNN

循环神经网络是顺序模型。一个恰当的比喻是一个人在读书。当他们逐字阅读时，他们对书的记忆和理解不断发展。对于精明的读者来说，他们甚至可能根据之前发生的事情来预测接下来会发生什么。 RNN 以同样的方式运行。它逐字读取，更新其记忆（称为隐藏状态），然后可以做出预测（例如，句子中的下一个单词或某些文本的情绪）。缺点是隐藏状态不能容纳太多信息。如果您将整本书输入 RNN，它不会记住有关介绍章节的许多细节，因为其隐藏状态下的空间有限。后面的章节由于最近被添加到隐藏状态而获得优先权。

变形金刚不会遇到同样的内存问题。他们将输入中的每个单词与其他单词进行比较（作为注意力机制的一部分），因此他们不需要使用隐藏状态或“记住”之前发生的事情。使用同一本书的类比，变压器就像一个人阅读书中的下一个单词，然后查看书中前面的每个单词以正确理解新单词。如果一本书的第一句包含短语“他出生在法国”，而一本书的最后一句包含短语“他的母语”，则变压器将能够推断出他的母语是法语。 RNN 可能无法做到这一点，因为隐藏状态不能保证保留该信息。此外，RNN 需要一次读取每个单词，然后更新其隐藏状态。变压器可以并行地应用它的注意力。

Transformer 与 CNN

卷积神经网络使用序列中每个项目的周围上下文来分配含义。对于页面上的某个单词，CNN 会查看紧邻该单词周围的单词，以找出该单词的含义。它无法连接一本书的最后一页和第一页。 CNN 主要用于图像，因为像素与其邻居的相关性通常比单词的相关性要高得多。也就是说，CNN 也可用于 NLP。

Transformer 与 CNN 的不同之处在于，它们不仅仅关注某个项目的直接邻居。他们使用注意力机制将输入中的每个单词与其他单词进行比较，从而提供对上下文更广泛、更全面的理解。

变压器模型如何工作？

Transformer 具有多层注意力模块、前馈神经网络和嵌入。该模型接受基于文本的输入并返回输出文本。为此，它遵循以下步骤：

1. 标记化：将文本转换为标记（类似于将句子分解为单个单词）。
2. 嵌入：将标记转换为向量，并结合位置嵌入，以便模型了解标记在输入中的位置。
3. 注意力机制：使用自注意力（对于输入令牌）或交叉注意力（在输入令牌和生成令牌之间）处理令牌。这种机制允许模型在生成输出时权衡不同令牌的重要性。
4. 前馈神经网络：将结果通过前馈神经网络传递，该网络允许模型通过引入非线性来捕获复杂的模式。
5. 重复：通过多个层多次重复步骤 3-4，以细化输出。
6. 输出分布：生成所有可能标记的概率分布。
7. 令牌选择：选择概率最高的令牌。

这一过程构成了对变压器模型的一次前向传递。该模型会重复执行此操作，直到完成输出文本。在每次传递中，嵌入过程可以并行执行，注意力机制和前馈阶段也可以并行执行。本质上，变压器不需要一次处理每个令牌。它可以同时关注所有代币。

我们现在可以转向之前的问题：模型如何知道要关注哪些令牌？答案很简单，只需查看大量训练数据即可。首先，模型会处理错误的标记，因此会生成错误的输出。使用训练数据附带的正确输出，可以修改注意力机制以在下次输出正确答案。在数十亿（甚至数万亿）个示例中，注意力机制几乎总是可以选择正确的标记。

变压器模型示例

变形金刚无处不在。虽然 Transformer 最初是为翻译而设计的，但它已经可以很好地扩展到几乎所有语言、视觉甚至音频任务。

大型语言模型

Transformer 架构支持几乎所有大型语言模型 (LLM)：GPT、Claude、Gemini、Llama 和许多较小的开源模型。法学硕士可以处理各种文本（以及越来越多的图像和音频）任务，例如问答、分类和自由格式生成。

这是通过数十亿文本示例（通常从互联网上抓取）训练 Transformer 模型来实现的。然后，公司根据分类示例对模型进行微调，以教导模型如何正确执行分类。简而言之，该模型学习广泛的知识库，然后通过微调“教授”技能。

视觉变形金刚

视觉变压器是适用于图像的标准变压器。主要区别在于标记化过程必须使用图像而不是文本。一旦输入变成标记，就会发生正常的转换器计算，最后，输出标记用于对图像进行分类（例如，猫的图像）。视觉转换器通常与文本法学硕士合并形成多模式法学硕士。这些多模态模型可以接收图像并对其进行推理，例如接受用户界面草图并获取创建它所需的代码。

CNN 在图像任务中也很流行，但 Transformer 允许模型使用图像中的所有像素，而不仅仅是附近的像素。例如，如果图像最左侧包含停车标志，最右侧包含汽车，则模型可以确定汽车需要停车。 CNN 可能无法连接这两个数据点，因为它们在图像中彼此相距较远。

音频变压器

音频变压器与视觉变压器一样，都是标准变压器，具有专为音频数据量身定制的独特标记化方案。这些模型可以处理文本和原始音频作为输入，输出文本或音频。 Whisper 就是一个例子，它是一种将原始音频转换为文字记录的语音到文本模型。它通过将音频分割成块，将这些块转换成频谱图，并将频谱图编码成嵌入来实现这一点。然后，这些嵌入由转换器处理，生成最终的转录标记。

除了语音到文本应用程序之外，音频转换器还有各种其他用例，包括音乐生成、自动字幕和语音转换。此外，公司正在将音频变压器与法学硕士集成，以实现基于语音的交互，允许用户通过语音命令提出问题并接收响应。

变压器型号的优点

由于其在各种任务中的可扩展性和卓越性能，Transformer 在机器学习领域已经变得无处不在。他们的成功归功于几个关键因素：

长上下文

注意力机制可以将输入序列中的所有标记进行相互比较。因此，整个输入中的信息将被记住并用于生成输出。相比之下，RNN 会忘记较旧的信息，而 CNN 只能使用与每个 token 接近的信息。这就是为什么您可以将数百个页面上传到 LLM 聊天机器人，向其询问有关任何页面的问题，并获得准确的答复。 RNN 和 CNN 缺乏长上下文是 Transformer 在任务中击败它们的最大原因。

并行性

变压器中的注意力机制可以在输入序列中的所有标记上并行执行。这与 RNN 形成鲜明对比，RNN 顺序处理标记。因此，变压器可以更快地进行培训和部署，从而为用户提供更快的响应。与 RNN 相比，这种并行处理能力显着提高了 Transformer 的效率。

可扩展性

研究人员不断增加变压器的尺寸和用于训练它们的数据量。他们还没有看到 Transformer 可以学习的数量的限制。 Transformer 模型越大，它可以理解和生成的文本就越复杂和细致（GPT-3 有 1750 亿个参数，而 GPT-4 有超过 1 万亿个参数）。值得注意的是，扩大 Transformer 模型（例如与 10 亿参数模型相比创建 100 亿参数模型）并不需要明显更多的时间。这种可扩展性使 Transformer 成为各种高级应用程序的强大工具。

变压器模型的缺点

变压器模型的缺点是它们需要大量的计算资源。注意力机制是二次的：输入中的每个标记都会与其他每个标记进行比较。两个令牌将进行 4 次比较，三个令牌将进行 9 次比较，四个令牌将进行 16 次比较，依此类推 — 本质上，计算成本是令牌计数的平方。这个二次方成本有几个含义：

专用硬件

LLM 无法轻松在普通计算机上运行。由于其尺寸，它们通常需要数十 GB 的 RAM 来加载模型参数。此外，传统 CPU 并未针对并行计算进行优化。相反，需要 GPU。在 CPU 上运行的 LLM 可能需要几分钟才能生成单个令牌。不幸的是，GPU 并不是最便宜或最容易使用的硬件。

输入长度有限

Transformer 可以处理的文本量有限（称为上下文长度）。 GPT-3 最初只能处理 2,048 个令牌。注意力实现的进步已经产生了上下文长度高达 100 万个标记的模型。即便如此，仍需要大量研究来找到上下文长度的每个额外标记。相反，RNN 没有最大上下文长度。随着输入的增加，它们的准确性会大大下降，但您现在可以将 200 万个令牌长的输入输入其中。

能源成本

为变压器计算供电的数据中心需要能量来运行它们，并需要水来冷却它们。据估计，GPT-3 的训练需要 1,300 兆瓦时的电力：相当于为美国 130 个家庭提供一整年的电力。随着模型变得越来越大，所需的能量也会增加。到 2027 年，人工智能行业每年所需的电力可能与荷兰一样多。人们正在做出重大努力来减少能源变压器的需求，但这个问题尚未得到解决。