数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。
让我们先从宏观层面看看Transformer处理一段文本的过程：
1. 分词（Tokenization）：
将输入文本拆分为大量「标记」（token）。这些token可能是完整词语，也可能是子词片段、标点符号或字符子集。Token通常基于BPE（Byte-Pair Encoding）或SentencePiece等算法生成，以在字词级和字符级之间取得平衡，使模型能处理未知词汇和不同语言。
2. 词嵌入（Embedding）与位置编码（Positional Encoding）：
每个token被映射为一个高维向量（如数千维）。这些向量在语义空间中具有一定结构，相似含义的词嵌入彼此接近。此外，Transformer本身对词序没有内在理解，因此需要加入位置编码（Positional Encoding）向量，使模型能够区分「猫坐在桌上」与「桌子坐在猫上」的差别。位置编码通常采用正弦和余弦函数，以在任意序列长度下保有位置信息。
3. 多头注意力（Multi-Head Attention）：
输入序列的嵌入向量进入关键模块——注意力层。
• 在注意力中，每个token都会生成「查询（Query）」、「键（Key）」和「值（Value）」三个向量。
• 对于序列中的任意两个token，查询向量与键向量的点积决定了它们之间的相关性权重。这个权重用于加权值向量，从而在上下文中动态聚合信息。
• 多头注意力意味着不止一套Q、K、V映射，每个头专注于不同的语义或语法特征。例如，一个注意力头或许侧重动词与主语的关系，另一个头可能侧重地名与国家的关联。
4. 前馈网络（Feed-Forward Network，FFN）：
在注意力层之后，每个token的向量再通过一层非线性前馈网络处理。
• FFN对每个token独立处理，将其映射到更高维空间再映射回来，有点像对向量进行一系列特定问题的问答。
• FFN帮助模型提取更抽象、更高级的特征。当注意力用于信息融合时，FFN则在融合后的表示上加强非线性变换，提升模型表示能力。
5. 层堆叠（Stacking Layers）：
Transformer通常由N层相同结构（多头注意力 + FFN + 残差连接与归一化）叠加而成。数据通过多轮交互不断丰富其表示。规模越大、层数越多，模型捕捉复杂语义的能力越强。
6. 输出层与概率分布（Softmax）：
在处理完成后，模型需要预测下一个词的概率分布。通过一组映射回词表的权重矩阵（unembedding matrix）和Softmax函数，将高维向量映射到词汇表中每个token的概率上。Softmax确保所有概率和为1，高值对应高概率单词。通过多次迭代预测与抽样，模型即可生成连贯自然的文本。
数字化转型网人工智能研习社包含哪些内容
数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。
