|
- 一文了解Transformer全貌（图解Transformer）
自2017年Google推出Transformer以来，基于其架构的语言模型便如雨后春笋般涌现，其中Bert、T5等备受瞩目，而近期风靡全球的大模型ChatGPT和LLaMa更是大放异彩。网络上关于Transformer的解析文章非常大，但本文将力求用浅显易懂的语言，为大家深入解析Transformer的技术内核。
- 如何最简单、通俗地理解Transformer？ - 知乎
Transformer最开始应用于NLP领域的机器翻译任务，但是它的通用性很好，除了NLP领域的其他任务，经过变体，还可以用于视觉领域，如ViT（Vision Transformer）。 这些特点让Transformer自2017年发布以来，持续受到关注，基于Transformer的工作和应用层出不穷。
- MoE和transformer有什么区别和联系？ - 知乎
01 Transformer：像“万能翻译官”的神经网络 Transformer 是当今AI大模型（如ChatGPT）的核心架构，最初用于机器翻译，核心是自注意力机制（Self-Attention），能同时分析句子中所有词的关系，而非像传统RNN那样逐词处理。 核心特点： 并行计算：同时处理所有词
- Transformer模型详解（图解最完整版） - 知乎
Transformer 的整体结构，左图Encoder和右图Decoder 可以看到 Transformer 由 Encoder 和 Decoder 两个部分组成，Encoder 和 Decoder 都包含 6 个 block。Transformer 的工作流程大体如下： 第一步： 获取输入句子的每一个单词的表示向量 X， X 由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的
- 如何从浅入深理解 Transformer？ - 知乎
我敢说100个宣称自己学过Transformer的同学； 真理解Transformer的，可能不足10人。 甚至哪怕你发了一篇基于Transformer的论文； 或者微调了一个基于Transformer的模型； 但对于一些基础问题，可能也没法思路清晰的完整回答出来。 不信，咱们就试试~ ^_^
- 如何从浅入深理解 Transformer？ - 知乎
Transformer升级之路：12、无限外推的ReRoPE？ Transformer升级之路：13、逆用Leaky ReRoPE Transformer升级之路：14、当HWFA遇见ReRoPE 预训练一下，Transformer的长序列成绩还能涨不少！ VQ一下Key，Transformer的复杂度就变成线性了 Transformer升级之路：15、Key归一化助力长度外推
- 如何理解 Swin Transformer 和 Vision Transformer不同 . . . - 知乎
Swin Transformer 的总体结构 Swin Transformer 总体结构 从上图我们可以观察到在输入端有一个 Patch Partition 的操作，也就是 Vision Transformer 常规的切图。 然后是经过一个线性映射进入第一个 Swin Transformer Block，从而完成 Stage 1 这个模块。
- Transformer模型怎么用于regression的问题？ - 知乎
Transformer模型在文本回归分析中的应用 BERT模型的基础是Transformer架构，采用自注意力机制来捕捉输入文本中的长距离依赖关系。为了进行回归任务，可以在BERT的基础上进行微调，将输出层的单元数设置为1，以适应回归问题的需求。 在数据集准备方面，需要收集包含文本输入和对应数值标签的数据集
|
|
|