admin 管理员组

文章数量: 1184232


2024年3月28日发(作者：bom表单制作)

causal decoder-only的transformer模型结构

Causal decoder-only transformer是一种只包含解码器的transformer模

型，其结构如下：

1. 输入嵌入（Input Embedding）：输入嵌入将输入序列中的每个词转

换成固定长度的向量表示，这些向量在模型训练中会被调整，使得最

终模型的输出尽可能接近标准答案。对于自然语言处理任务，通常会

使用预训练的词向量来初始化输入嵌入。

2. 解码器（Decoder）：解码器由多个解码器层（Decoder Layer）组成，

每个解码器层由自注意力机制（Self-Attention）、多头注意力机制

（Multi-Head Attention）和前馈网络（Feed-Forward Network）组成。

解码器的输入为上一时刻的输出（或者是目标语言中已经生成的部分

句子），输出为下一时刻的预测。

3. 自注意力机制（Self-Attention）：自注意力机制用于计算每个词在

当前句子中的重要性，以便模型更好地理解输入序列。它通过计算输

入嵌入中所有词的相似度得到一个权重矩阵，将输入嵌入加权求和得

到每个词的表示。

4. 多头注意力机制（Multi-Head Attention）：多头注意力机制用于对

解码器的输入和编码器的输出进行注意力计算，以便解码器能够更好

地理解输入序列和上下文信息。它将输入进行多头划分，每个头都计

算一次注意力，最终将多头的输出拼接在一起。

5. 前馈网络（Feed-Forward Network）：前馈网络是一种全连接的神经

网络，用于在解码器中进一步提取特征。

6. 层归一化（Layer Normalization）：层归一化用于调整每个解码器层

的输出，以确保模型训练更加稳定。

7. 目标嵌入（Target Embedding）：目标嵌入是用于将解码器的输出转

换成固定长度的向量表示，从而便于下一步的预测。

8. 最终预测（Final Prediction）：最终预测是通过对目标嵌入进行全连

接操作得到的预测结果，通常是一个分类或回归问题。


本文标签： 输入 输出 解码器 向量 嵌入

版权声明：本文标题：causal decoder-only的transformer模型结构 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/p/1711601600a601812.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。