简介本文是Transformer架构系列首篇详细解析了Transformer的整体结构和工作原理。从tokenization和位置编码开始到编码器和解码器的核心组件重点介绍了注意力机制如何融合上下文信息以及前馈网络增强非线性表达能力的作用。文章通过图解方式帮助读者理解这一大模型基础架构适合小白和程序员系统学习。研究人工智能的人应该都知道TransformerTransformer可以说是人工智能的基石无论是自然语言处理经典模型Bert还是现在火的一塌糊涂的GPT他们的核心正是Transformer说实话虽然研究方向是深度学习但是我对Transformer一直没有透彻的理解所以这次痛定思痛决定一定要把Transformer搞明白。但是网上大部分的材料要么草草讲一下Transformer架构要么讲的过于理论所以我想把我自己学习的、理解的记录下来和大家一起学习正好作为我的一个新的系列。本文章是该系列的第一篇文章我们来看一下Transformer的整体架构数据怎么流通以及各个模块起到了什么作用。Transformer是2017年Google提出的模型架构最开始论文中的任务是翻译任务之后扩展到文本预测、图像、语音等各个研究领域。一、tokenize首先输入序列会被分解为一堆小片段这些片段被称为token在文本中他们通常是单词、单词的小片段或者其他的组合如果涉及图像或者声音那么token可以是图像的小块或者声音的片段。每个token都会被编码成一个embbedding向量这些向量是在高维空间下的坐标具有相似含义的单词往往会落在这个空间中靠近的向量上这些步骤是在数据进入Transformer中之前的预处理步骤。二、Position Embedding在我们得到embedding之后每个向量只包含了每个token的含义但是没有考虑到词向量的顺序也就会丢失原来文本的顺序信息。为了保留原始输入的顺序关系我们需要加入位置编码Transformer原文中位置编码的计算方式如下其中pos为位置序号dmodel为特征的维度i表示特征的第i维。Transformer有编码器和解码器两个部分编码器的输入是固定一次性的而解码器输入是自回归累加的。他们之间的区别是Decoder可以选择masking并且Decoder中的注意力是交叉注意力机制将Encoder的输入作为Key和Value其余部分都相同。但是他们的核心都是Attention一个叫注意力机制的东西。三、EncoderEncoder的作用是处理输入的向量目标是得到不仅包含原输入单词的embedding并且希望将和原输入单词相关性高的单词的信息融合。实现融合信息的核心就是注意力Attention模块在这里他们相互通信根据上下文进行更新例如“我爱你”中的爱和“i love you”里面的love相关性很高注意力模块负责弄清楚上下文中哪些单词的含义之间的相关性更高以及这些单词的含义应该如何更新。Attention模块的具体讲解后面会单独出一期。在注意力模块之后这些向量通过多层感知机或者前馈网络增强网络的非线性表达能力这里向量彼此之间不进行通信他们并行执行相同的操作这也是Transformer能够很好的并行训练的原因。从计算上讲两个块中所有运算都是矩阵乘法。前馈神经网络的具体讲解同样也会单独出一期。四、DecoderDecoder中的模块和Encoder中的模块类似都是注意力模块和前馈神经网络以及融合归一化层。不同的是Decoder是自回归多了mask机制和交叉注意力机制。Decoder每一次预测得到一个词预测下一个单词所需要的信息都需要编码到序列的最后一个向量中这个向量再经过一次运算产生下一个可能出现的文本的概率分布。预测出来的这个词和Decoder原始输入合在一起再次输入到Decoder这也就是所谓的自回归。重复这个过程不断生成直至完毕。以上就是Transformer整体的结构。五、如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】