dw网站制作效果怎么做,新东方在线教育平台官网,美空摄影网,wordpress 首页 缩略图我们知道GPT的含义是#xff1a; Generative - 生成下一个词 Pre-trained - 文本预训练 Transformer - 基于Transformer架构
我们看到Transformer模型是GPT的基础#xff0c;这篇博客梳理了一下Transformer的知识点。 BERT: 用于语言理解。#xff08;Transformer的Encoder…我们知道GPT的含义是 Generative - 生成下一个词 Pre-trained - 文本预训练 Transformer - 基于Transformer架构
我们看到Transformer模型是GPT的基础这篇博客梳理了一下Transformer的知识点。 BERT: 用于语言理解。Transformer的EncoderGPT: 用于语言生成。Transformer的Decoder
GPT也是在BERT的基础上发展起来的只是OpenAI和google、百度走了不同的路线。 Transformer本质上提出了一种基于注意力机制的encoder-decoder框架或架构。这个架构中的主要组件,如多头注意力机制、位置编码、残差连接以及前馈神经网络都是通用的构建块。 Transformer对比RNN或者LSTM有这些优点
并行计算长期依赖学习训练更稳定更少的参数无需标定的输入输出
Transformer主要缺点如下:
Transformer无法很好地建模周期时间序列。Transformer可能不适合较短序列。计算复杂度较高。缺乏韵律和时域信息。 Encoder的组成
Inputs - 输入分词层TokenizeInput Token Embedding 输入词向量嵌入化WordEmbeddingTransformer Block 中间Encoder层可以简单把这个盒子理解为一个Block 整 Transformer Block中可以在分解为四层 self-attention layer 自注意力计算层normalization layer 归一化层feed forward layer 前馈层anothernormalization layer 另一个归一化层
Decoder和Encoder唯一的区别就是多了一个Encode-Decode注意力层然后最后一层接了个linearsoftmax层损失函数就是交叉熵损失。 Self-Attention 计算过程 第一个过程是根据Query和Key计算权重系数第二个过程根据权重系数对Value进行加权求和。
多头-Attention的计算
把multi-headed输出的不同的z组合成最终想要的输出的z这就是multi-headed Attention要做的一个额外的步骤。
