mind+show
Pine 发自 凹非寺
量子位 | 公众号 QbitAI
真正零门槛！小白都能轻松看懂的Transformer教程来了。
在自然语言处理和计算机视觉领域，Transformer先后替代了RNN、CNN的地位成为首选模型，最近爆火的ChatGPT也都是基于这个模型。
换言之，想进入机器学习的领域，就必须得懂Transformer。
这不，量子位就发现了一篇零基础也能学的教程，作者是前微软、Facebook首席数据科学家，也是MIT机械工程的硕博士，从视觉化矩阵乘法开始，带你一步步入门。
DeepMind研究科学家Andrew Trask也转发评论道：
这是我至今见过最好的教程，它对入门者非常非常友好。
这条帖子也是掀起了一阵热度，浏览量已经有近30w。
网友们也纷纷在评论区作出“码住”状。
从视觉化矩阵乘法开始学
因为这是一个新手入门的教程，所以在正式学Transformer之前，会有很多介绍矩阵乘法和反向传播的内容。
并且在介绍的过程中，作者逐个添加学习Transforme所需要了解的概念，并加以解释。
具体有多新手友好，我们先来浅看下这篇教程～
基础概念解释
首先，了解Transformer的第一步就是编码，就是把所有的单词转换成数字，进而可以进行数学计算。
一般来说，将符号转换为数字的有效方法是先对所有单词符号分配数字，每个单词符号都会对应一个独立的数字，然后单词组成的句子便可以通过数字序列来表示了。
举个简单的例子，比如files=1、find=2和my=3。然后，句子“ Find my files”可以表示为数字序列[2,3,1]。
不过这里介绍的是另外一种方法，即独热编码。
具体来说，就是将单词符号转换成一个数组，这个数组中只能有一个1，其他全为0。还是上面那个例子，用这种方式表示的话如下图。
这样一来，句子“Find my files”就变成了一维数组的序列，压缩到一块也就像是二维数组了。
接下来就要再来了解下点积和矩阵乘法了。
点积这里也就不再过多赘述，元素相乘再相加便可以了。
它有两个作用，一个是用来度量两个单词之间的相似性，一个是显示单词的表示强度。
相似性很容易判别，一个单词的独热矢量和自己的点积是1，和其他的点积为0.
至于表示强度，和一个能够表示不同权重的值向量进行点乘便可以了。
矩阵乘法，看下面这幅图便足矣。
从简单的序列模型开始介绍
了解完这些基础概念之后，就要步入正轨了，开始学习Transformer是如何处理命令的。
还是用例子来解释，开发NLP计算机界面时，假设要处理3种不同的命令
- Show me my directories please.（请给我看看我的目录）
- Show me my files please.（请给我看看我的档案）
- Show me my photos please.（请给我看看我的照片）
可以用下面这个流程图（马尔可夫链）来表示，箭头上的数字表示下一个单词出现的概率。
接下来解释将马尔可夫链转换为矩阵形式了，如下图。
每一列代表一个单词，并且每一列中的数字代表这个单词会出现的概率。
因为概率和总是为1，所以每行的数字相加都为1。
以my为例，要想知道它的下一个单词的概率，可以创建一个my的独热向量，乘上面的转移矩阵便能得出了
再然后，作者又详细介绍了二阶序列模型，带跳跃的二阶序列模型，掩码。
至此，关于Transformer，已经学到了最核心的部分，至少已经了解了在解码时，Transformer是如何做的。
不过了解Transformer工作的原理和重新建造Transformer模型之间还是有很大差距的，后者还得考虑到实际情况。
因此教程中还进一步展开，作了更大篇幅的学习教程，包括Transformer最重要的注意力机制。
换句话说，这个教程就是从最基础的东西教我们重新构建一个Transformer模型。
更加具体内容就不在这里一一列出了，感兴趣的朋友可以戳文末链接学习。
目录先放在这里，可以根据自己的基础知识选择从哪个阶段开始学起：
1、独热（one-hot）编码
2、点积3、矩阵乘法4、矩阵乘法查表5、一阶序列模型6、二阶序列模型7、带跳跃的二阶序列模型—-分割线—-（学完上面这些，就已经把握住Transformer的精髓了，不过要想知道Transformer，还得往下看）8、矩阵乘法中的注意力9、二阶矩阵乘法序列模型10、完成序列11、嵌入12、位置编码13、解除嵌入14、softmax函数15、多头注意力机制16、使用多头注意力机制的原因17、重现单头注意力机制18、多头注意力块之间的跳过连接19、横向规范化（Layer normalization）20、多注意力层21、解码器堆栈22、编码器堆栈23、编码器和解码器栈之间的交叉注意块—-又一个分割线—-（如果你学到这里，那说明Transformer你已经掌握得差不多了，后面讲的东西就是关于如何让神经网络表现良好了）24、字节对编码（Byte pair encoding）作者介绍
Brandon Rohrer，目前是Linkedin的一名机器学习工程师，曾先后在微软，Facebook担任首席数据科学家。
在Facebook工作期间，他建立了一种更精确的电网映射预测模型，以评估全球的中压电网的连通性和路由。
写教程算是Brandon的一大爱好了，目前他所有的教程都不断更新在他的新书《如何训练你的机器人》中，帖子的跨度从职业发展到各种编程工具的介绍。
传送门：https://e2eml.school/transformers.html#softmax
更多教程：https://e2eml.school/blog.html— 完 —
量子位 QbitAI · 头条号签约
","force_purephv":"0","gnid":"93e641781357c54b3","img_data":[{"flag":2,"img":[{"desc":"","height":"602","title":"","url":"https://p0.ssl.img.360kuai.com/t019c7470285c259474.jpg","width":"1026"},{"desc":"","height":"98","title":"","url":"https://p0.ssl.img.360kuai.com/t0102b4b20ea1a0a215.jpg","width":"904"},{"desc":"","height":"650","title":"","url":"https://p0.ssl.img.360kuai.com/t01db7b46822def9a44.jpg","width":"962"},{"desc":"","height":"744","title":"","url":"https://p0.ssl.img.360kuai.com/t0119229db0c33779a5.jpg","width":"948"},{"desc":"","height":"750","title":"","url":"https://p0.ssl.img.360kuai.com/t01b588beb6f84d918c.jpg","width":"662"},{"desc":"","height":"756","title":"","url":"https://p0.ssl.img.360kuai.com/t017b857167de43598a.jpg","width":"1012"},{"desc":"","height":"616","title":"","url":"https://p0.ssl.img.360kuai.com/t01833e9fc496d918eb.jpg","width":"833"},{"desc":"","height":"411","title":"","url":"https://p0.ssl.img.360kuai.com/t0185d211fc034de0db.jpg","width":"1080"},{"desc":"","height":"634","title":"","url":"https://p0.ssl.img.360kuai.com/t0130bc86f4d2facd28.jpg","width":"738"},{"desc":"","height":"340","title":"","url":"https://p0.ssl.img.360kuai.com/t0153baf6ca3dfa6e4e.jpg","width":"750"},{"desc":"","height":"800","title":"","url":"https://p0.ssl.img.360kuai.com/t01f3ffa376e60024dc.jpg","width":"800"},{"desc":"","height":"743","title":"","url":"https://p0.ssl.img.360kuai.com/t01d143fa61fd38770e.jpg","width":"1080"}]}],"original":0,"pat":"art_src_3,fts0,sts0","powerby":"hbase","pub_time":1674275580000,"pure":"","rawurl":"http://zm.news.so.com/22fd9c0391b602ef16b0bcc1ea60e7af","redirect":0,"rptid":"031f360bfffe46fe","s":"t","src":"量子位","tag":[{"clk":"ktechnology_1:facebook","k":"facebook","u":""}],"title":"学完这个教程，小白也能构建Transformer，DeepMind科学家推荐
燕炭桂5185请问 有没有mind to do这种用法 ? -
查饼剑18423549077 ______ mind 没有 to do 这种用法,只有 mind doing sth. 希望采纳,我很确信的
燕炭桂5185mind后面可接什么,也可接动词什么形式,动词前还可以加一个形容词性物主代词,例如: -
查饼剑18423549077 ______ 可接名词,代词,也可接动词的ing形式
燕炭桂5185英语现在进行时动词变法问题. -
查饼剑18423549077 ______ 因为swim 是重读闭音节结尾,且只有一个辅音字母,故要双写辅音字母W 再加ING ,即swimming 注;单音节词都重读 如果不明白,请再问;如果对你有所帮助, 请点击本页面中的“选为满意回答”按钮,谢谢!
燕炭桂5185mind后面加名词的什么形式 -
查饼剑18423549077 ______ mind+doing 介意做某事儿
燕炭桂5185英语unit5 do you want to watch a game show.sectiona课标分析怎么写 -
查饼剑18423549077 ______ 一.mind 1. v. “介意,反对”,通常用于疑问句,否定句或条件句中,其后可接名词,代词或动词 -ing 形式或从句(if\whether引导) ,也可单独使用. We don't mind this heat. 我们不在乎炎热. She doesn't mind taking care of our children.她...
燕炭桂5185单词mind的用法 -
查饼剑18423549077 ______ 形容词性物主代词 my your his her its their mind后面得加这些单词 而不能用名词性物主代词或物主代词
燕炭桂5185新目标七年级下册英语第十一单元单词 -
查饼剑18423549077 ______ 1.think/θiŋk/ v. (thought /θɔ:t/, thought) ①思考,想 ②考虑 【考点】think about 考虑:Are you still thinking about moving? 你还在考虑搬家吗?thinkof想出,想起,认为;What do you think of the film? 你认为这部电影怎么样?I can'tthink of his ...
燕炭桂5185＂mind”是什么意思?有什么用法?
查饼剑18423549077 ______ 头脑, 智力, 精神, 意见, 情绪vi.介意, 照顾, 留心vt.注意, 留意, 专心于, 照看, 介意 用法就是 mind sth /mind about sth
燕炭桂5185Would you mind - ___ - more slowly? I can't follow you. -
查饼剑18423549077 ______[选项] A. speak B. spoke C. spoken D. speaking 为什么选D?