Transformer介绍（一）

Transformer是一种特殊的神经网络，一种机器学习模型。

谷歌在2017年推出的原版Transformer，论文《Attention Is All You Need》，专注于将一种语言的文本翻译成另一种。

而我们要关注的Transformer变种，即构建ChatGPT等工具的模型，则是输入一段文本、图像或音频，预测文本接下来的内容，并将结果展现为，接下来不同文本片段的概率分布。

 你可能觉得预测下一个词与生成新文本的目标截然不同，但有了这样的预测模型后，要让它生成更长的文本，一个简单的方法是，给它一个初始片段，然后从它给出的概率分布中取一个片段，追加到文本末尾，再用所有文本包括追加的内容，进行新一轮的预测。

这个重复预测和抽样的过程，正是你与GPT或其他大语言模型，进行交互时所遇到的一个一个打印出来的词。它的展现过程，也是它的原理。

数据如何在Transformer里流动？

 聊天机器人生成特定单词时，背后实际在做的事情，主要分5步。①分词 ②变id ③变向量 ④加位置编码 ⑤计算attention。

1、分词。将输入内容切分为多个小片段，每个小片段称为tokens；在文本中，token往往是单词、单词片段或其他字符组合。

对于图像或声音而言，token则可能代表小块图像或声音片段。

每个token对应一个向量，即一组数字。目的是编码该片段的含义。

如果将向量看作高维空间中的坐标，那么意思相近的词，对应的向量也相近。

 这些向量随后经过attention block处理，使得向量能够相互交流。通过相互传递信息，来更新自己的值。

例如机器学习中的model和时尚中的model含义不同，attention block就是找出上下文中哪些词会改变哪些词的含义，以及这些词应该更新为何种含义。

 之后，这些向量会经过另一种处理，取决于不同的资料，有的叫多层感知机（multi-layer perceptron），有的叫前馈层（feed-forward layer）。此阶段，向量不再相互交流，而是并行经历相同的处理。

对每个向量提出一系列问题，然后根据这些问题的答案来更新向量。

 

这里的所有处理，本质都是大量的矩阵乘法。而我们的主要目的是弄懂如何解读这些底层矩阵。

之后，基本是重复这个过程，attention blocks 和 multi-layer perceptron blocks 层层堆叠。

 

最后的目标是能将整段文字的所有关键含义，以某种方式融入到序列的最后一个向量，然后对这最后一个向量进行某种操作，得出所有token可能的概率分布，即各小块文本接下来出现的概率。

前面提到的，只要能够根据给定的文本，预测下一个词，你能给它喂一点初始文本，然后反复进行预测、抽样、追加，这一过程。

在GPT出现之前，GPT-3的早期演示，根据初始文本自动补全故事和文章，把这样的工具做成聊天机器人，最基础简单的方法是，准备一段文本，设定用户与AI助手互动的场景，即系统提示词（system prompt），然后将用户的初始问题或提示词作为第一段对话，让模型预测AI助手会如何回应。要做好这一步，还需要额外的训练步骤。

神经网络的开始端和结尾端是怎样的？

深度学习是机器学习中的一种方法。

机器学习采用数据驱动，反馈到模型参数，指导模型行为。

比如：输入图像，经过模型处理后，能够输出对应的描述标签。或是，给定一段文本，预测下一个单词。

机器学习的理念是，不要在代码中明确定义如何执行一个任务，而是去构建一个具有可调参数的灵活架构。机器学习最简单的形式，可能是线性回归。

这条线受2个参数影响，即斜率slope和截距intercept。y=wx+b。线性回归的目标是确定这些参数，以尽可能拟合数据。

深度学习就比较复杂了，比如GPT-3的参数不止2个，而是有1750亿个，但问题是，并不是直接扩大模型参数量就可以。发现有时数据严重过拟合，有时完全训练不出来。

深度学习描述的一类模型，在过去几十年中，这类模型展现了出色的规模化能力，它们的共同点是都使用相同的训练算法，即反向传播（Backpropagation）。要让这种训练算法，在大规模应用中有效运行，模型必须遵循某种特定的结构，对这种结构有所了解后，就能更好理解transformer对语言处理的许多选择，否则有些选择可能会显得没道理。

首先，无论你在构建何种模型，输入的格式必须为实数数组，可以是一维数列、二维数组或是更高维的数组，也就是所谓的张量。输入数据通常被逐步转换成多个不同的层，同样，每一层的结构都是实数数组，到了最后一层，就看作输出。

例如，文本处理的最后一层，是一个数列，表示接下来所有可能token的概率分布。在深度学习中，这些模型的参数被称为权重（weight）。

这些模型的关键特征是参数与待处理数据之间的唯一交互方式，就是通过加权和。虽然模型中也有一些非线性函数，但它们并不依赖于参数。通常情况下，加权和不会直接这样写出来，而是打包成矩阵向量相乘的形式。

 例如，GPT-3有1750亿个weights，组成了约28000个矩阵，这些矩阵分为8类，我们需要逐一了解各个类别的作用。

虽说现在有更大更强的模型，但GPT-3作为第一个真正从机器学习破圈，爆火全球的大语言模型，仍具有其独特的魅力。对于更先进的模型，公司往往对其具体数据保密。

当你研究ChatGPT这种工具的内部原理时，几乎所有的计算过程，都体现为矩阵向量乘法。

图里模型的权重用蓝色或红色标注，待处理数据用灰色标注。

权重相当于模型的大脑，是在训练过程中学习的，决定了模型的行为模式。待处理数据，则仅编码了某次运行模型时的输入，比如一段示例文本。

有了以上这些基础，我们来对该示例文本进行第一步的处理。

即把输入切分成小块（这些小块被称为token），然后转化成向量。

模型有预设的词汇库，包含所有可能的词汇，假设有5万个，我们将遇到的第一个矩阵，被称为嵌入矩阵（embedding matrix）。每个词都对应一列，这些列决定了第一步中，每个单词对应的向量，将其记为。跟其他矩阵一样，它的初始值随机，但将根据数据进行学习。

在transformer出现之前，将单词转化为向量就是机器学习的常见做法，但对于初次接触的人，可能略显奇怪。但它为接下来的一切，奠定了基础，所以我们花点时间来熟悉一下。

我们通常称其为词嵌入（embedding a word），从几何角度来理解这些向量，将它们视为高维空间中的点。

将3个数字视为三维空间坐标很简单，但词嵌入的维度往往高的多。GPT-3有12288个维度。

在三维空间中，取一个二维切片，并将所有点投射到该切片上。

当模型在训练阶段调整权重，以确定不同单词将如何被嵌入向量时，它们最终的嵌入向量，在空间中方向，往往具有某种语义意义。

嵌入矩阵，一列对应一个单词，是我们模型中的第一组权重，根据GPT-3的数据，词汇库里有50257个词，即50257个token，每个嵌入有12288维，两者相乘，得到权重数约为6.17亿。将该数字记入统计表，要记得最后，总权重数加起来应该是1750亿。

 就transformer而言，嵌入空间的向量，不能仅视为代表单个单词，它们还编码了单词的位置信息。值得关注的是，这些向量能结合上下文语境。例如，一个词嵌入向量国王（King），可能会被网络中各个模块逐渐拉扯，最终指向一个更具体细致的方向。比如说居住在苏格兰（lived in Scotland），它通过弑君上位（murdered predecessor），且用莎士比亚文风描述（in Shakespearean language）。

 思考一下，你如何理解某个词。它的词义显然会受到上下文语境的影响。有时甚至来自很远的上下文，因此，构建能够预测下一个单词的模型时，目标就是使其能有效结合上下文信息。

在第一步，即根据输入文本创建向量数组时，每个向量都是直接从嵌入矩阵中拉出来的。所以最开始，每个向量只能编码单个单词的含义。

没有上下文信息，而流经这个网络的主要目标是使这些向量能获得 比单个词更丰富更具体的含义。这种网络一次只能处理特定数量的向量，称作它的上下文长度（context size）。

GPT-3的上下文长度为2048，因此流经网络的数据有2048列，每列12000维。上下文长度限制了transformer在预测下一个词时能结合的文本量。这就是为什么有些聊天机器人，如chatgpt早期版本，在进行长对话时，时常会感觉健忘。

请注意，目标输出是下一个可能token的概率分布。例如，如果最后一个词是Professor，而上下文包含Harry Potter这样的词，紧接着前面的又是least favourite teacher，如果将token视为完整单词的话，那么一个训练良好的网络，在叠加了Harry Potter有关知识后，大概率会给Snape一词打高分。

这包含两个步骤，首先，用另一个矩阵将上下文中的最后一个向量，映射到一个包含50000个值的列表，每个值对应词库里的一个token，然后用Softmax函数将其归一化为概率分布。

你可能会疑问，只用最后一个嵌入来做预测，有点奇怪。毕竟在最后一层中，还有成千上万其他的向量，都蕴含着丰富的上下文信息。这是因为在训练过程中，效率更高的方法是，利用最终层的每一个向量，同时对紧随着这个向量的词进行预测，后面再单独详述更多关于训练的细节。

若想将一串数字作为概率分布，比如所有可能下一个词的概率分布，那么每个值都必须介于0到1，并且总和为1。但对于深度学习，每一步都像是矩阵向量乘法，那么默认输出完全不满足要求，经常会有负值，或远大于1，而且几乎肯定总和不会为1。

要把任意数列转换为合理概率分布，标准方法是使用softmax，它使最大值最接近1，而最小值接近0。softmax是对每一项取以e为底的指数函数，使得数列中全是正数，然后求和。并将每一项除以该总和。得到归一化后的数列，它的总和为1.

如果输入中某一项显著突出，那么输出中，对应项就会占绝对主导，这样从中抽样，也只会选到最大的输入值，但它比只选取最大值要柔和，即当有值靠近最大值时，概率分布中也会获得相当大的权重，随着输入的连续变化，输出也连续变化。

在某些情况下，如ChatGPT利用该分布生成下一词时，可以给这个函数加入一点趣味性，给指数加个分母，常量T，它被称为温度，因为它与某些热力学方程中温度的作用有些相似，其效果是，当T较大时，会给低值赋予更多权重，使得分布更均匀一些。当T很小时，则较大的数值更占优势。极端情况下，将T设为0，意味着所有权重都给到最大值。

例如，让GPT-3生成一个故事，初始文本为：“one upon a time there was a "，每轮测试采用不同的温度，温度为0表示模型总是选择最可能的词。得到的结果有点像金发姑娘的老套改编。温度越高，模型就越可能选择可能性较低的词，但风险也更大。

严格来说，API不允许你选择大于2的温度，这没有数学依据，只是人为的限制，可能是为了避免工具产生过于荒诞离谱的内容。

大家通常将Softmax函数的输出作为概率，输入则称为logits。