直屏旗艦來了 iQOO 12和K70 Pro同臺競技
旗艦機基本上使用的都是雙曲面屏幕，這就讓很多喜歡直屏的愛好者在苦等一款直屏旗艦，這次，你們等到了。據博主數碼閑聊站帶來的最新爆料稱，Redmi下代旗艦K70 Pro和iQOO 12兩款手
近年來， Transformer 機器學習模型已經成為深度學習和深度神經網絡技術進步的主要亮點之一。它主要用于自然語言處理中的高級應用。谷歌正在使用它來增強其搜索引擎結果。OpenAI 使用 Transformer 創建了著名的 GPT-2和 GPT-3模型。
自從2017年首次亮相以來，Transformer 架構不斷發展并擴展到多種不同的變體，從語言任務擴展到其他領域。它們已被用于時間序列預測。它們是 DeepMind 的蛋白質結構預測模型 AlphaFold 背后的關鍵創新。OpenAI 的源代碼生成模型 Codex 也基于 Transformer。Transformer 最近也進入了計算機視覺領域，在許多復雜任務中它們正在慢慢取代卷積神經網絡(CNN)。
研究人員仍在探索改進 Transformer 并將其用于新應用的方法。以下是關于 Transformer 令人興奮的原因以及它們如何工作的簡要解釋。
1.采用神經網絡處理序列數據
傳統的前饋神經網絡并非旨在跟蹤序列數據并將每個輸入映射到輸出。它適用于諸如圖像分類之類的任務，但在諸如文本之類的序列數據上卻失敗了。處理文本的機器學習模型不僅必須處理每個單詞，還必須考慮單詞如何按順序排列并相互關聯。而一個單詞的含義可能會隨著句子中出現在它們之前和之后的其他單詞而改變。
在 Transformer 出現之前，遞歸神經網絡(RNN)是自然語言處理的首選解決方案。當提供一個單詞序列時，遞歸神經網絡(RNN)將處理第一個單詞，并將結果反饋到處理下一個單詞的層。這使它能夠跟蹤整個句子，而不是單獨處理每個單詞。
遞歸神經網絡(RNN)的缺點限制了它們的用處。首先，它們的處理速度非常緩慢。由于它們必須按順序處理數據，因此無法在訓練和推理中利用并行計算硬件和圖形處理單元(GPU)。其次，它們無法處理長序列的文本。隨著遞歸神經網絡(RNN)深入到文本摘錄中，句子開頭幾個單詞起到的效果逐漸減弱。當兩個鏈接的詞在文本中相距很遠時，這個被稱為“梯度消失”的問題就會出現。第三，它們只捕捉到一個單詞和它之前的單詞之間的關系。實際上，單詞的含義取決于它們之前和之后的單詞。
長短時記憶(LSTM)網絡是遞歸神經網絡(RNN)的繼任者，能夠在一定程度上解決梯度消失問題，并且能夠處理更大的文本序列。但是長短時記憶(LSTM)的訓練速度甚至比遞歸神經網絡(RNN)還要慢，并且仍然無法充分利用并行計算。他們仍然依賴于文本序列的串行處理。
2017年發表的一篇名為《注意就是所需要的一切》的論文介紹了 Transformer，指出 Transformer
做出了兩個關鍵貢獻：首先，它們使并行處理整個序列成為可能，從而可以將順序深度學習模型的速度和容量擴展到前所未有的速度。其次，它們引入了“注意機制”，可以在正向和反向的非常長的文本序列中跟蹤單詞之間的關系。
在討論 Transformer 模型的工作原理之前，有必要討論一下序列神經網絡解決的問題類型。
“向量到序列”模型采用單個輸入（例如圖像）并生成數據序列（例如描述）。“序列到向量”模型將序列數據作為輸入，例如產品評論或社交媒體帖子，并輸出單個值，例如情緒分數。“序列到序列”模型將一個序列作為輸入，例如一個英文句子，并輸出另一個序列，例如該句子的法語翻譯。
盡管存在差異，但所有這些類型的模型都有一個共同點——他們學習表達。神經網絡的工作是將一種類型的數據轉換為另一種類型的數據。在訓練期間，神經網絡的隱藏層（位于輸入和輸出之間的層）以最能代表輸入數據類型特征的方式調整其參數，并將其映射到輸出。最初的 Transformer 被設計為用于機器翻譯的序列到序列(seq2seq)模型（當然，序列到序列模型不限于翻譯任務）。它由一個編碼器模塊組成，該模塊將來自源語言的輸入字符串壓縮為一個向量，該向量表示單詞及其相互之間的關系。解碼器模塊將編碼向量轉換為目標語言的文本字符串。
2.標記和嵌入
輸入文本必須經過處理并轉換為統一格式，然后才能輸入到 Transformer。首先，文本通過“標記器”，將其分解為可以單獨處理的字符塊。標記化算法可以取決于應用程序。在大多數情況下，每個單詞和標點符號大致算作一個標記。一些后綴和前綴算作單獨的標記（例如，“ize”、“ly”和“pre”）。標記器生成一個數字列表，表示輸入文本的標記ID。
然后將標記轉換為“單詞嵌入”。單詞嵌入是一種試圖在多維空間中捕捉單詞價值的向量。例如，“貓”和“狗”這兩個詞在某些維度上可能具有相似的值，因為它們都用于關于動物和寵物的句子中。然而，在區分貓科動物和犬科動物的其他維度上，“貓”比“狼”更接近“獅子”。同樣，“巴黎”和“倫敦”可能彼此更加接近，因為它們都是城市。然而，“倫敦”更接近于“英格蘭”，“巴黎”更接近于“法國”，這是因為在一個國家的區分維度上。而單詞嵌入通常有數百個維度。
單詞嵌入是通過嵌入模型創建的，這些模型與 Transformer 分開訓練。有幾種用于語言任務的預訓練嵌入模型。
3.注意層
一旦句子被轉換成一個單詞嵌入列表，它就會被輸入到 Transformer 的編碼器模塊中。與遞歸神經網絡(RNN)和長短時記憶(LSTM)模型不同，Transformer 一次不會接收一個輸入。它可以接收整個句子的嵌入值，并并行處理它們。這使得 Transformer 比它們的前輩更具有計算效率，并且還使它們能夠在正向和反向序列中檢查文本的場景。
為了保持句子中單詞的順序，Transformer 應用“位置編碼”，這基本上意味著它修改每個嵌入向量的值，以表示其在文本中的位置。
接下來，輸入被傳遞到第一個編碼器塊，它通過“注意層”對其進行處理。注意層試圖捕捉句子中單詞之間的關系。例如，考慮 “一只大黑貓碰掉一個瓶子之后橫穿馬路”(The big black cat crossed the road after it dropped a bottle on its side)這個句子。在這里，模型必須將“it”與“cat”相關聯，將“its”與“bottle”相關聯。因此，它應該建立其他關聯，例如“big”和“cat”或“crossed”和“cat”。否則，注意層接收表示單個單詞值的單詞嵌入列表，并生成表示單個單詞及其相互關系的向量列表。注意層包含多個“attention heads” (注意頭)，每個“attention heads”都可以捕獲單詞之間的不同類型的關系。
注意層的輸出被饋送到前饋神經網絡，該網絡將其轉換為向量表示，并將其發送到下一個注意層。Transformers
包含幾個注意塊和前饋層，以逐漸捕捉更復雜的關系。
解碼器模塊的任務是將編碼器的注意向量轉換為輸出數據(例如，輸入文本的翻譯版本)。在訓練階段，解碼器可以訪問編碼器產生的注意向量和預期的結果(例如，翻譯的字符串)。
解碼器使用相同的標記化、單詞嵌入和注意機制來處理預期結果并創建注意向量。然后，它在編碼器模塊中傳遞該注意向量和注意層，從而在輸入和輸出值之間建立關系。在翻譯應用程序中，這是源語言和目標語言中的單詞相互映射的部分。與編碼器模塊一樣，解碼器注意向量通過前饋層傳遞。然后其結果被映射到一個非常大的向量池，即目標數據的大小(在翻譯的情況下，這可以涉及數萬個單詞)。
4.訓練Transformer
在訓練期間，Transformer 提供了非常大的配對示例語料庫（例如，英語句子及其相應的法語翻譯）。編碼器模塊接收并處理完整的輸入字符串。然而，解碼器接收到輸出字符串的掩碼版本（一次一個單詞），并嘗試建立編碼的注意向量和預期結果之間的映射。編碼器嘗試預測下一個單詞，并根據其輸出與預期結果之間的差異進行更正。這種反饋使轉換器能夠修改編碼器和解碼器的參數，并逐漸在輸入和輸出語言之間創建正確的映射。
Transformer 擁有的訓練數據和參數越多，它就越有能力在較長文本序列中保持連貫性和一致性。
5.Transformer的變化
在以上研究的機器翻譯示例中，Transformer 的編碼器模塊學習英語單詞和句子之間的關系，而解碼器學習英語和法語之間的映射。
但并非所有 Transformer 應用都需要編碼器和解碼器模塊。例如，大型語言模型的GPT系列使用解碼器模塊堆棧來生成文本。BERT是谷歌研究人員開發的 Transformer 模型的另一種變體，而它只使用編碼器模塊。
其中一些架構的優點是它們可以通過自我監督學習或無監督方法進行訓練。例如，BERT 通過獲取大量未標記文本的語料庫，可以屏蔽其中的一部分，并嘗試預測缺失的部分來進行大部分訓練。然后，它根據其預測接近或遠離實際數據的程度調整其參數。通過不斷地重復這個過程，BERT 捕捉到了不同場景中不同單詞之間的關系。在這個預訓練階段之后，BERT 可以通過在少量標記示例上進行訓練來針對下游任務進行微調，例如問答、文本摘要或情感分析。使用無監督和自我監督的預訓練可以減少注釋訓練數據所需的工作量。
關于 Transformer 和他們正在解鎖的新應用程序還有更多，這超出了本文的范圍。研究人員如今仍在尋找從Transformer中獲得更多幫助的方法。
Transformer 還引發了關于語言理解和通用人工智能的討論。顯而易見的是，Transformer 與其他神經網絡一樣是一種統計模型，能夠以巧妙而復雜的方式捕捉數據中的規律性。雖然它們不像人類那樣“理解”語言，但是其發展仍然令人興奮并且可以提供更多新事物。
原文鏈接：https://bdtechtalks.com/2022/05/02/what-is-the-transformer/
本文鏈接：http://www.yifxia.cn/showinfo-119-2382-0.html?什么是Transformer機器學習模型？ 譯文
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號