一文讀懂Transformer架構的三大變體 精華
如果有人問目前最火的基礎模型是啥？那我一定回答是Transformer模型。Transformer模型自2017年提出以來，一直深受大家喜歡，其架構主要分為三種變體：Decoder-Only、Encoder-Only和Encoder-Decoder，每種變體都有其獨特的特點和應用場景。
一、僅編碼器架構（Encoder-only）
1.1 工作流程
僅編碼器架構的工作流程如下：
- 嵌入層處理：對輸入文本的每個單詞或標記進行處理。將每個單詞或標記映射到一個固定維度的向量空間中，形成初始的詞嵌入向量。
- 位置編碼添加：對詞嵌入向量添加位置編碼。引入序列中單詞的位置信息，使模型能夠感知單詞的順序。
- 多層編碼器處理（循環執行，層數根據模型設定）
將經過多頭自注意力機制處理后的向量輸入前饋神經網絡。進行進一步的特征轉換和非線性映射，增強模型的表達能力。讓每個單詞關注到序列中其他單詞的信息，提取全局上下文特征。
將前饋神經網絡的輸出與該層編碼器的輸入進行殘差連接（相加操作）。對殘差連接后的結果進行層歸一化操作，穩定訓練過程，防止梯度消失或爆炸。
- 經過多層編碼器堆疊處理后，輸出一個上下文豐富的語義表示向量。將語義表示向量用于后續的各種下游任務，如文本分類、情感分析等。
1.2 特點
僅編碼器架構具有以下特點：
- 適用于文本理解和分析任務：這些任務通常不需要生成新的文本，而是對輸入文本進行分類或標注，僅編碼器架構能夠很好地滿足需求。
- 并行計算能力強：與傳統的循環神經網絡（RNN）不同，僅編碼器架構不依賴于序列的順序處理，可以并行計算整個輸入序列，大大提高了處理速度，適合處理大規模數據集。
- 不適合文本生成任務：僅編碼器架構的輸出是一個固定長度的向量表示，無法直接生成文本序列。這使得它在需要生成文本的任務（如機器翻譯、文本生成等）中不適用，但在需要對輸入文本進行編碼和分類的任務中非常有效。
- 結構簡單高效：僅包含編碼器部分，結構相對簡單，訓練和推理過程較為高效，易于實現和優化。
1.3 經典模型
BERT（Bidirectional Encoder Representations from Transformers）是僅編碼器架構的經典模型之一，具有以下特點：
- 雙向編碼：BERT通過使用掩碼語言模型（Masked Language Model, MLM）和下一句預測（Next Sentence Prediction, NSP）兩種預訓練任務，能夠學習到雙向的上下文信息。在MLM任務中，隨機掩蓋輸入序列中的一些單詞，然后預測這些被掩蓋的單詞；在NSP任務中，判斷兩個句子是否是連續的文本。這種雙向編碼方式使得BERT能夠更好地理解單詞在上下文中的含義。
- 預訓練加微調范式：BERT采用預訓練加微調的范式。首先在大規模無監督語料上進行預訓練，學習通用的語言知識；然后在特定任務上進行微調，通過調整模型的參數來適應具體的任務需求。這種范式大大提高了模型的性能和泛化能力。
二、僅解碼器架構（Decoder-only）
2.1 工作流程
僅解碼器架構的工作流程如下：
- 嵌入層處理：將每個單詞或標記映射到一個固定維度的向量空間中，得到初始的詞嵌入向量。
- 位置編碼添加：針對詞嵌入向量添加位置編碼。引入序列中單詞的位置信息，使模型能夠感知單詞順序。
- 多層解碼器處理（循環執行，層數根據模型設定）
計算查詢（Query）、鍵（Key）和值（Value）之間的點積注意力。運用掩碼矩陣，防止模型在計算當前詞的注意力分數時訪問未來位置的信息，保證生成過程的順序性。
把經過掩碼多頭自注意力機制處理后的向量輸入到前饋神經網絡中。進行進一步的特征轉換和非線性映射，增強模型的表達能力。
將前饋神經網絡的輸出與該層解碼器的輸入進行殘差連接（相加操作）。對殘差連接后的結果執行層歸一化操作，穩定訓練過程，避免梯度消失或爆炸。
- 輸出序列生成：經過多層解碼器堆疊處理后，模型開始逐步生成輸出序列。在每一步生成過程中，模型僅依據已生成的序列信息預測下一個詞。持續預測，直到生成結束標記。流程結束，輸出完整的輸出序列。
2.2 特點
僅解碼器架構具有以下特點：
- 擅長生成任務：由于其逐步生成輸出序列的特性，非常適合文本生成、語言模型等任務，能夠生成連貫且符合語言規則的文本。
- 依賴上下文信息：雖然無法直接處理輸入序列，但可以通過額外的機制（如預訓練時的上下文信息）為模型提供必要的上下文，從而生成與上下文相關的文本。
- 生成過程順序性：通過掩碼多頭自注意力機制，模型在生成每個詞時只能訪問已生成的序列，保證了生成過程的順序性，避免了信息泄露。
- 模型結構相對簡單：僅包含解碼器部分，結構相對簡單，訓練和推理過程較為高效，易于實現和優化。
2.3 經典模型
GPT（Generative Pre-trained Transformer）是僅解碼器架構的經典模型之一，具有以下特點：
- 強大的文本生成能力：GPT通過預訓練大量的文本數據，學習到了豐富的語言知識和生成模式，能夠生成高質量的文本，如新聞報道、故事創作、代碼生成等。
- 單向語言模型：GPT采用單向語言模型的預訓練方式，即根據已知的前文預測下一個詞。這種單向生成方式使得模型在生成文本時能夠保持連貫性和邏輯性。
- 預訓練與微調相結合：GPT同樣采用預訓練加微調的范式。預訓練階段在大規模無監督語料上學習通用的語言知識；微調階段則在特定任務上調整模型參數，以適應具體的應用需求。
- 廣泛的應用：GPT及其后續版本（如GPT-2、GPT-3、GPT-4等）被廣泛應用于各種自然語言處理任務，如文本生成、問答系統、機器翻譯等。
三、編碼器-解碼器架構（Encoder-Decoder）
3.1 工作流程
編碼器 - 解碼器架構的工作流程如下：
編碼器部分
嵌入層處理：對輸入文本的每個單詞或標記進行處理。將每個單詞或標記映射到一個固定維度的向量空間中，形成初始的詞嵌入向量。
位置編碼添加：對詞嵌入向量添加位置編碼。引入序列中單詞的位置信息，使模型能夠感知單詞的順序。
多層編碼器處理（循環執行，層數根據模型設定）：將經過多頭自注意力機制處理后的向量輸入前饋神經網絡。進行進一步的特征轉換和非線性映射，增強模型的表達能力。讓每個單詞關注到序列中其他單詞的信息，提取全局上下文特征。將前饋神經網絡的輸出與該層編碼器的輸入進行殘差連接（相加操作）。對殘差連接后的結果進行層歸一化操作，穩定訓練過程，防止梯度消失或爆炸。經過多層編碼器堆疊處理后，輸出一個上下文豐富的語義表示向量。
解碼器部分
- 嵌入層處理：將目標文本的每個單詞或標記映射到一個固定維度的向量空間中，得到初始的詞嵌入向量。
- 位置編碼添加：針對詞嵌入向量添加位置編碼。引入序列中單詞的位置信息，使模型能夠感知單詞順序。
- 多層解碼器處理（循環執行，層數根據模型設定）：計算查詢（Query）、鍵（Key）和值（Value）之間的點積注意力。運用掩碼矩陣，防止模型在計算當前詞的注意力分數時訪問未來位置的信息，保證生成過程的順序性。把經過掩碼多頭自注意力機制處理后的向量與編碼器的輸出進行多頭注意力計算，獲取編碼器的上下文信息。將上述結果輸入到前饋神經網絡中。進行進一步的特征轉換和非線性映射，增強模型的表達能力。將前饋神經網絡的輸出與該層解碼器的輸入進行殘差連接（相加操作）。對殘差連接后的結果執行層歸一化操作，穩定訓練過程，避免梯度消失或爆炸。
- 輸出序列生成：經過多層解碼器堆疊處理后，模型開始逐步生成輸出序列。在每一步生成過程中，模型依據已生成的序列信息和編碼器的上下文信息預測下一個詞。持續預測，直到生成結束標記。流程結束，輸出完整的輸出序列。
3.2 特點
編碼器 - 解碼器架構具有以下特點：
- 適用于序列到序列的轉換任務：如機器翻譯、文本摘要、對話系統等，能夠將一種文本序列轉換為另一種文本序列。
- 結合編碼與解碼能力：編碼器負責將輸入文本轉換為語義表示，解碼器則根據編碼器的輸出生成目標文本，兩者協同工作，能夠更好地處理復雜的文本轉換任務。
- 對上下文的理解更全面：編碼器可以捕捉輸入文本的全局上下文信息，解碼器在生成輸出時能夠利用這些信息，從而生成更準確、更符合上下文的文本。
- 模型復雜度較高：由于包含編碼器和解碼器兩部分，結構相對復雜，訓練和推理的時間和計算成本較高。
3.3 經典模型
- 原始Transformer模型：在機器翻譯任務中表現出色，通過編碼器將源語言文本編碼為語義表示，解碼器根據該表示生成目標語言文本。
- BART（Bidirectional Auto-Regressive Transformers）：結合了自編碼器和自回歸模型的優點，能夠對輸入文本進行雙向編碼，并生成高質量的輸出文本。可應用于文本摘要、機器翻譯、問答系統等多種任務。
- T5（Text-To-Text Transfer Transformer）：將所有NLP任務統一為文本到文本的轉換問題，通過大規模的預訓練和微調，在多個任務上取得了優異的性能。
四、三大變體的比較與選擇
4.1 架構特點比較
- 僅編碼器架構：專注于對輸入文本的理解和編碼，通過多層編碼器提取文本的語義特征，輸出固定長度的向量表示。結構相對簡單，適合處理不需要生成文本的任務，如文本分類、情感分析、命名實體識別等。
- 僅解碼器架構：主要用于文本生成任務，通過掩碼多頭自注意力機制和前饋神經網絡，根據已生成的文本逐步預測下一個單詞。模型結構簡單，生成過程順序性強，能夠生成連貫的文本，但對輸入文本的處理能力相對較弱。
- 編碼器 - 解碼器架構：結合了編碼器和解碼器的功能，適用于序列到序列的轉換任務。編碼器對輸入文本進行編碼，解碼器根據編碼器的輸出生成目標文本。能夠處理復雜的文本轉換任務，但模型復雜度較高，訓練和推理成本較大。
4.2 應用場景對比
- 僅編碼器架構：在自然語言理解任務中應用廣泛，如文本分類可對新聞、評論等文本進行類別劃分；情感分析能判斷文本的情感傾向（積極、消極或中性）；命名實體識別可識別文本中的人名、地名、組織機構名等實體。
- 僅解碼器架構：在文本生成領域表現突出，如語言模型可根據前文預測下一個單詞，用于文本續寫、自動摘要生成；機器翻譯可將一種語言翻譯成另一種語言；故事創作能生成連貫有趣的故事。
- 編碼器 - 解碼器架構：在機器翻譯中，將源語言句子準確翻譯成目標語言句子；文本摘要可提取原文關鍵信息生成摘要；對話系統能根據用戶輸入生成合適的回復。
4.3 如何根據任務選擇合適的架構
- 如果是文本理解和分析任務：如判斷文本主題、分析情感傾向、提取實體信息等，優先選擇僅編碼器架構。這類任務重點在于對輸入文本的理解和特征提取，僅編碼器架構能夠高效地完成這些任務。
- 如果是文本生成任務：如寫作輔助、自動問答、機器翻譯等，可根據具體情況選擇僅解碼器架構或編碼器 - 解碼器架構。如果生成任務主要依賴于前文信息，且對輸入文本的處理要求不高，僅解碼器架構是較好的選擇；如果任務涉及到將一種文本序列轉換為另一種文本序列，且需要充分利用輸入文本的上下文信息，編碼器 - 解碼器架構更為合適。
- 如果任務較為復雜，需要同時處理文本理解和生成：如對話系統，既需要理解用戶輸入，又要生成合理回復，編碼器 - 解碼器架構可能更能滿足需求。但在實際應用中，也可以結合多種架構，如先使用僅編碼器架構對輸入文本進行預處理，再將處理結果輸入到僅解碼器架構或編碼器 - 解碼器架構中進行生成。
Transformer架構的三大變體在不同的應用場景中各有優勢。在實際應用中，我們需要根據具體任務的需求和特點，選擇合適的架構，以充分發揮Transformer模型的強大性能。
本文轉載自??智駐未來?????，作者：小智
