Transformer 是 ChatGPT 的核心部分，如果将 AI 看做一辆高速运转的汽车，那么 Transformer 就是最重要的引擎。它是谷歌于 2017 年发表的《Attention is All You Need》中提出的 Sequence-to-sequence 的模型，诞生之后便一统江湖，在 NLP, CV, Audio, Video 多个模态领域成为了遥遥领先。
-
如果你之前不了解 Transformer, 或者只知道大概的知识，那么这篇文章可以让你通过自己动手写代码深刻地理解 Transformer 的结构、训练方法以及实际用例等；
-
如果你了解 Transformer，这篇文章可以让你温习 Transformer 的知识，所谓温故而知新；
由于内容很多，因此拆分为几篇文章的内容。
模型结构
总体流程：
分为 输入（Input）, 模型（Model）, 输出(Output) 三部分。接下来详细说明每一个部分。
输入
输入："我有一只猫"
分词：用某种分词方法输出 ["我"，“有”，“一只”, “猫”]，常用的中文分词方法有 jieba 分词，THULAC分词等（想要详细了解这些分词方法可以问 悟空 AI 助手，支持 GPT 3.5, GPT 4），这里每个词也叫做 token(token 的概念很重要，后面反复用到)
转 Embedding: 将 ["我“，“有”，“一只”, “猫”] 的每一个词转为一个实数向量，常见的是 512 维的向量，因为有 4 个词，每个词变成 512 维向量，所以得到 4*512 维的矩阵，一般用 tensor 存储，简单的就记作 x。具体的转换方法可以问悟空AI，但是本文后面会详细讲到的。
添加位置 Embedding: 位置 embedding 是对 token 顺序的一种表示，因为 token 顺序很重要。例如：
["我"，“爱”，“你”] 跟 ["你"，“爱”，“我”]，token 顺序变一下含义就完全不同！那么最简单的顺序表示方法就是 1,2,3,...N，用数组索引表示位置，但是 Transformer 没有这么干而是用正弦/余弦函数来表示：
其中，PE 就是位置编码（Positional Embedding），pos 表示单词在句子中的位置，d 表示 PE的维度 (与词 Embedding 一样)，2i 表示偶数的维度，2i+1 表示奇数维度 (即 2i≤d, 2i+1≤d)。画图看一下就是这样：
脑经急转弯：为什么位置 embedding 不用 [1,2,3,...N] 来表示顺序？
请认真思考 5 分钟后再看下面的答案。
有两个原因：
-
保证模型训练稳定性和快速收敛性：类似于 data normalization, 原始数据的取值可以是负无穷到正无穷，但是一旦输入到模型就要强制归一化到一个固定区间，常见的是 [-1, 1] 区间，这样做可以大幅加速模型收敛并减少训练误差，但是 1,2,3,...,N 是没有界限的，如果简单的除以 N 来归一化，那么 N 取多少比较合适呢？实际上很难选择 N 的值，所以一个比较合适的选择就是周期性函数，最经典好用的就是正弦/余弦，为啥嘞？因为它们很常见而且求导巨简单，忘了它们导数的去问问 悟空 AI 助手
-
要遵循文本结构的周期性：任何一个句子，任何一个段落都是具有周期性的。为啥呢，因为所有的句子都有固定的结构，最常见的是：主语 + 谓语 + 宾语，所以一段话的结构其实类似于这样子的：
主语 + 谓语 + 宾语 + 标点符号 + 主语 + 谓语 + 宾语 + 标点符号, ......
很自然地，就想到了用周期性函数来表示位置了。
网上有人说其中一个原因是可以让模型容易地计算出相对位置，对于固定长度的间距 k，PE(pos+k) 可以用 PE(pos) 计算得到。因为 Sin(A+B) = Sin(A)Cos(B) + Cos(A)Sin(B), Cos(A+B) = Cos(A)Cos(B) - Sin(A)Sin(B)。这个我个人表示不认同，因为 1,2,3,...N 也符合这个性质，不信你算一下。
然后，将文本的 embedding 和位置的 embedding 加起来就是模型的输入了，如下：
到这里 Transformer 的输入就讲完了，下一篇将介绍模型的结构。
