发表于 分类于

前言

考虑到现在各大公司对AI的要求越来越高了，我决定开始全面学习AI，目的是做到基本理解ai原理，能够实现ai应用，能够听得懂各种AI名词。

transformer作为当前AI最基本的训练原理，决定作为第一个开始学习的篇章，我学的是李宏毅的视频课程，链接如下：

https://www.bilibili.com/video/BV1r8nMz4EAj?spm_id_from=333.788.videopod.sections&vd_source=1e3090bc7a88f02cda5247bc11cd548d

一些神经网络名词

神经网络

最简单的神经网络示意图如下，网络可以有多个标量输入，经过神经元处理后，得到一个输出

fully-connected network

全连接网络，理解为给一个输入，经过神经网络处理后，给一个输出

  • 输入：一组固定长度的数字（比如 [年龄，收入，点击数，停留时间]）
  • 输出：一个结果（分类 / 预测值）
  • 中间：所有神经元两两全部连在一起，所以叫 “全连接”

全连接网络 = 一次性看所有特征，做判断。

特点

  • 只能吃 固定长度 的输入
  • 不理解 顺序、时序、前后关系

RNN-循环神经网络


理解为可以处理时序或者说有前后顺序的数据，每一个step的输出不仅取决于此次的输入，还取决于前一次的输出。

RNN已经可以处理seq-2-seq的问题了，但是显然它只能串行处理，效率低，且不能看全局信息，每一个step的输出只取决于本次step之前的输入，之后的输入不会影响它。

特点:

  • 输入可以是任意长度
  • 有记忆（状态）
  • 串行

CNN-卷积神经网络

作用：提取局部特征、空间结构。

理解成：一个滑动窗口，在图片 / 数据上扫来扫去，找规律。

CNN 就像：

  • 遍历式特征提取器
  • 像滑动窗口统计
  • 像 filter 过滤器

cnn不关心全局，只关心这一块附近的像素/点，然后做处理。

self-attention机制

attention机制是seq-2-seq的一种处理架构，输入一系列的数据（如时序数据），输出相同长度的数据。

比如输入一段文字描述、或者有时序的声音信号，经过attention机制处理后，输出一串顺序输出。

特点是并行计算，全局视角。

如下图所示，self-attention可以当作一个处理黑盒，输入一个向量，经过attention处理后会给出一个相同长度的输出向量，attention只是用于综合整个输入信息，使得每一个位置的输出能参考到整体输入。因此attention并不是处理的结束，其输出的每一个元素还需要经过类似fully-connection network处理得到最终的输出。

下图是计算某个输入与其他输入的attention关系因子的示意图，Wq和Wk均是待训练矩阵

比如计算1号位置的输入和2号位置输入的attention，是通过q1和k2向量做点乘得到的，得到1号位置和所有位置的attention后，一般会做一个soft-max（理解为概率归一化），得到一个相加和为1的输出结果。

再看下图，计算1号位置的最终输出的方法是一个求和，可以看到某个输入位置与1号位置的attention系数越大，其对最终结果的影响最大

其引入了第三个待训练矩阵Wv，因此一次self-attention需要训练3个矩阵，矩阵维度和每一个位置输入向量的维度一致，比如说输入元素长度为10，那么训练矩阵便是10 X 10，注意这里指的输入元素的长度是单个元素，不是整体的全部seq-2-seq的输入总长。

可以看到每一个位置输出结果可以并行计算，互不干扰。并且都参考了整体的输入seq的所有信息。

以下是衍生的概念: multi-head self-attention，只是引入了更多的待训练矩阵，增加输出结果的变数

位置编码： 可以看到以上的计算过程，每一个输入元素其实没有位置信息，所有的位置都是等价的，因此为了引入时序的概念，会在做self-attention计算前，对输入向量整体添加位置信息（+一个位置向量）。

与CNN的关系: cnn只会看局部的位置，而self-attention通过关系系数可以看全部的位置，因此可以认为cnn是简化版的self-attention。显然self-attention的seq输入总长越长，计算量越大，待训练参数也越多。

transformer架构

transformer的核心步骤是前文的attention机制，是一个seq-2-seq的处理架构，可以输入任意长度的序列，输出一个不定长的序列。每一个输出的结果不仅与所有的输入相关，还与该输出位置之前的所有输出相关。

下图是一些简单应用

transformer由编码器和解码器构成，整体架构图如下

encoder

编码器的计算流程示意图如下，请注意左上角是第一步，右上角是把左上角的计算结果做第二步处理。

总结一下步骤：

  1. 对embedding后的输入数据添加位置编码信息，然后做self-attention计算
  2. 得到的结果和原输入结果做和处理，再整体做这一阶段的输出做归一化处理
  3. 对前一阶段的输出经过前馈神经网络(理解为fully-connected network)做单独处理，再做一次和与归一化处理
  4. 得到最终的输出序列

解码器

查看解码器的整体架构图，整体过程也比较清晰, 步骤如下

注意是每一个输出位置的计算过程：

  1. 输出经过位置编码后自己用masked self-attention计算一轮得到结果
  2. 将前一轮的结果跟编码器的结果合并做一次self-attention
  3. 最终用神经网络+线性层+softmax处理一遍得到概率分布
  4. 取概率最大的为该位置的输出结果

masked self-attention: 因为输出某一个位置的结果时无法知道后续位置的输出结果，因此只是看了该输出结果的前面的输出结果，来做self attention，不是全局视角，所以叫masked。

解码器特殊标识：解码器起始的输出是用特殊标识BEGIN代替的，来作为解码器的输入来得到该起始位置的输出，而输出的结束是用特殊标识END，程序发现了END标识则结束整个语句的输出。

下图也诠释了每一个输出位置的结果受到之前输出的影响，但无法受到之后输出的影响

  • 线性层linear：核心是「维度映射」，把编码器输出的高维特征向量映射到任务所需维度（如分类的类别数、NER 的标签数），输出无范围限制的原始分数（logits）

  • Softmax：核心是「归一化」，通过指数运算放大分数差异，再除以所有指数的和，把 logits 转换成 0~1 之间的概率分布，且所有概率之和为 1。

这里有个核心困惑点，结合跟AI的问题如下：

Q: transformer输入了一串seq，然后结合输出的BEGIN标识，会得到输出位置的一个结果。但attention机制得到的是和输入seq长度一样的seq向量串，经过linear和softmax也只是得到一串概率分布，缺失了最终选出一个唯一值的过程

A: 必须先把 “和输入等长的向量串” 压缩成「一个单向量」，再对这个单向量做线性层 + Softmax + 选唯一值。

  • 方式 1：特殊 Token（最经典，BERT/LLM 首选）

逻辑：输入序列开头强行加一个特殊 Token（如 [CLS]//），Self-Attention 输出时，只取这个特殊 Token 对应的向量作为 “单向量”。

例子：输入序列：[, 我, 爱, 编, 码]（长度 5）→ Self-Attention 输出：[v_cls, v1, v2, v3, v4]（长度 5）→ 只取 v_cls（1 个向量）。

  • 方式 2：平均池化（Mean Pooling，最通用）

逻辑：把 Self-Attention 输出的所有向量（v1~v5）做逐维度平均，得到 1 个融合了所有位置信息的单向量。
公式：vpooled​=(v1​+v2​+v3​+v4​+v5​​)/5