自 2017 年提出至今，Transformer 模型已經在自然語言處理、計算機視覺等其他領域展現了前所未有的實力，并引發了 ChatGPT 這樣的技術突破，人們也提出了各種各樣基于原始模型的變體。

由于學界和業界不斷提出基于 Transformer 注意力機制的新模型，我們有時很難對這一方向進行歸納總結。近日，領英 AI 產品戰略負責人 Xavier Amatriain 的一篇綜述性文章或許可以幫助我們解決這一問題。

在過去的幾年里，陸續出現了數十個來自 Transformer 家族模型，所有這些都有有趣且易懂的名字。本文的目標是為最流行的 Transformer 模型提供一個比較全面但簡單的目錄和分類，此外本文還介紹了 Transformer 模型中最重要的方面和創新。

論文《Transformer models: an introduction and catalog》：

論文鏈接：

?https://arxiv.org/abs/2302.07730?

GitHub：https://github.com/xamat/TransformerCatalog

簡介：什么是 Transformer

Transformer 是一類由一些架構特征定義的深度學習模型。首次出現在谷歌研究人員于 2017 年發表的著名論文《Attention is All you Need》中（這篇論文在短短 5 年就被引用了 3.8 萬余次）以及相關的博客文章中。Transformer 架構是編碼器 - 解碼器模型 [2] 的一個特定實例，該模型在 2 - 3 年前開始流行起來。然而，在此之前，注意力只是這些模型使用的機制之一，這些模型主要基于 LSTM（長短期記憶）[3] 和其他 RNN（循環神經網絡）[4] 變體。Transformers 論文的關鍵見解是，正如標題所暗示的那樣，注意力可以被用作推導輸入和輸出之間依賴關系的唯一機制。討論 Transformer 體系結構的所有細節超出了本博客的范圍。為此，本文建議參考上面的原論文或 Transformers 的帖子，內容都十分精彩。話雖如此，本文將簡要敘述最重要的方面，下面的目錄中也會提到它們。本文將先從原始論文中的基本架構圖開始，繼而展開敘述相關內容。

編碼器 / 解碼器架構

通用編碼器 / 解碼器體系架構 (參見圖 1) 由兩個模型組成。編碼器接受輸入并將其編碼為固定長度的向量。解碼器獲取該向量并將其解碼為輸出序列。編碼器和解碼器聯合訓練以最小化條件對數似然。一旦訓練，編碼器 / 解碼器可以生成給定輸入序列的輸出，或者可以對輸入 / 輸出序列進行評分。在最初的 Transformer 架構中，編碼器和解碼器都有 6 個相同的層。在這 6 層中的每一層編碼器都有兩個子層：一個多頭注意層和一個簡單的前饋網絡。每個子層都有一個殘差連接和一個層歸一化。編碼器的輸出大小是 512。解碼器添加了第三個子層，這是編碼器輸出上的另一個多頭注意層。此外，解碼器中的另一個多頭層被掩碼。

圖 1：Transformer 體系架構

圖 2：注意力機制

注意力

從上面的描述可以清楚地看出，模型體系架構唯一的特別元素是多頭注意力，但是，正如上面所描述的，這正是模型的全部力量所在。那么，注意力到底是什么？注意力函數是查詢和一組鍵值對到輸出之間的映射。輸出是按值的加權和計算的，其中分配給每個值的權重是通過查詢與相應鍵的兼容性函數計算的。Transformers 使用多頭注意力，這是一個被稱為縮放點積注意力的特定注意力函數的并行計算。關于注意力機制如何工作的更多細節，本文將再次參考《The Illustrated Transformer》的帖文，將在圖 2 中再現原始論文中的圖表，以便了解主要思想。與循環網絡和卷積網絡相比，注意力層有幾個優勢，最重要的兩個是它們較低的計算復雜性和較高的連通性，特別是對于學習序列中的長期依賴關系非常有用。

Transformer 的用途是什么，為什么它們如此受歡迎

最初的 Transformer 是為語言翻譯而設計的，特別是從英語到德語。但是，通過原先的研究論文就可以看出，該架構可以很好地推廣到其他語言任務。這一特別的趨勢很快就引起了研究界的注意。在接下來的幾個月里，大多數與語言相關的 ML 任務排行榜完全被某個版本的 Transformer 架構所主導（比方說，著名的 SQUAD 排行榜，其中所有位于頂部的模型都是 Transformer 的集合）。Transformer 能夠如此迅速地占據大多數 NLP 排行榜的關鍵原因之一是它們能夠快速適應其他任務，也就是遷移學習。預訓練的 Transformer 模型可以非常容易和快速地適應它們沒有經過訓練的任務，這具有巨大的優勢。作為 ML 從業者，你不再需要在龐大的數據集上訓練大型模型。你所需要做的就是在你的任務中重新使用預訓練的模型，也許只是用一個小得多的數據集稍微調整它。一種用于使預訓練的模型適應不同任務的特定技術被稱為微調。

事實證明，Transformer 適應其他任務的能力是如此之強，以至于盡管它們最初是為與語言相關的任務而開發的，但它們很快就被用于其他任務，從視覺或音頻和音樂應用程序，一直到下棋或做數學。

當然，如果不是因為有無數的工具，任何人都可以輕松地編寫幾行代碼，那么所有這些應用程序都不可能實現。Transformer 不僅能被迅速整合到主要的人工智能框架（即 Pytorch8 和 TF9）中，甚至基于此創建起整個公司。Huggingface 是一家迄今為止已經籌集了 6000 多萬美元的初創公司，幾乎完全是圍繞著將開源 Transformer 庫商業化的想法建立的。

最后，有必要談談 Transformer 普及初期 GPT-3 對其的影響。GPT-3 是 OpenAI 在 2020 年 5 月推出的 Transformer 模型，是他們早期 GPT 和 GPT-2 的后續產品。該公司通過在預印本中介紹該模型而引起了很大的轟動，他們聲稱該模型非常強大，以至于他們無法向世界發布它。從那以后，該模型不僅發布了，而且還通過 OpenAI 和微軟之間的大規模合作實現了商業化。GPT-3 支持 300 多個不同的應用程序，是 OpenAI 商業戰略的基礎 (對于一家已經獲得超過 10 億美元融資的公司來說，這是很有意義的)。

RLHF

最近，從人類反饋（或偏好）中強化學習（RLHF（也稱作 RLHP）已成為人工智能工具包的一個巨大補充。這個概念已經在 2017 年的論文《Deep reinforcement learning from human preferences》中提出。最近，它被應用于 ChatGPT 和類似的對話智能體，如 BlenderBot 或 Sparrow。這個想法很簡單：一旦語言模型被預先訓練，用戶就可以對對話生成不同的響應，并讓人類對結果進行排序。人們可以在強化學習環境中使用這些排名（也就是偏好或反饋）來訓練獎勵（見圖 3）。

擴散

擴散模型已經成為圖像生成中的新 SOTA，顯然將之前的方法如 GANs（生成對抗網絡）推到了一邊。什么是擴散模型？它們是一類經過變分推理訓練的潛變量模型。以這種方式訓練的網絡實際上是在學習這些圖像所代表的潛在空間（參見圖 4）。 

擴散模型與其他生成模型有關系，如著名的 [生成對抗網絡 (GAN)] 16，它們在許多應用中已經被取代，特別是與（去噪）自動編碼器。有些作者甚至說擴散模型只是自編碼器的一個具體實例。然而，他們也承認，微小的差異確實改變了他們的應用，從 autoconder 的潛在表示到擴散模型的純粹生成性質。

圖 3：帶有人類反饋的強化學習。

圖 4：概率擴散模型架構摘自《Diffusion Models: A Comprehensive Survey of Methods and Applications》

本文介紹的模型包括：