1.3 基于 Transformer 的语言模型

Transformer 是一类基于注意力机制（Attention）的模块化构建的神经网络结构。给定一个序列，Transformer 将一定数量的历史状态和当前状态同时输入，然后进行加权相加。对历史状态和当前状态进行“通盘考虑”，然后对未来状态进行预测。基于 Transformer 的语言模型，以词序列作为输入，基于一定长度的上文和当前词来预测下一个词出现的概率。

这两个模块组成了transformer 块，模型是由多个块组合而成的

首先，为什么要提出transformer呢，他提出来又是为了解决生成语言模型遇到的哪些问题呢
之前是不是学了RNN，传统的神经网络（如 RNN 和 LSTM）通常需要逐步地处理数据（一个词一个词地处理）
越长越不准确是不是
Transformer 通过一种叫做 自注意力机制（Self-Attention） 的技术，能够同时关注输入序列中的所有位置，解决了这一问题，并且计算上更高效。

自注意力机制计算过程：

注意力分数：表示该词与其他词的关系（即它们的相似度）

最开始的权重矩阵Wq Wk Wv都是随机初始化的，在训练过程中，Transformer 通过 前向传播 计算查询、键、值向量，并通过 反向传播 计算损失和梯度，更新这些权重矩阵。

注意力机制是如何工作的：一个是计算注意力，然后是应用注意力，应用注意力就是他的多头注意力机制，让模型从不同角度理解词之间的关系，Transformer 使用多个“头”来并行计算注意力，每个头关注输入序列的不同部分。

通俗解释：
想象你在翻译一句话时，看到“我喜欢苹果”。你在翻译“苹果”这个词时，可能会特别注意到“喜欢”这个词，因为它描述了“苹果”的情感关联，而不是关注句子中的“我”。注意力机制帮助模型“专注”于输入序列中的关键部分。

简而言之，注意力机制让模型“关注”最相关的信息，忽略不重要的部分，从而提升模型对复杂任务的理解和处理能力。
示例：
假设输入句子为：“我喜欢吃苹果。” 如果我们要生成“吃”的翻译，注意力机制会帮助模型集中注意力在“喜欢”和“苹果”上，而不是“我”。

多头注意力（Multi-Head Attention）机制中每个头（head）有不同的权重矩阵。
具体来说，多头注意力机制的核心思想是将注意力机制应用于多个子空间（不同的子空间代表不同的注意力头），从而能够捕捉输入数据的不同方面信息。每个注意力头都学习不同的查询（Query）、 键（Key）和值（Value） 的权重矩阵。

全连接前馈网络

想象你有一份报告，你希望模型能够通过这份报告给出一个总结。报告的每个部分（比如每一段文字）可能包含不同的信息，而模型通过“全连接前馈网络”来处理这些信息，将它们组合起来生成最终的输出。每一层的神经元都连接到下一层的所有神经元，因此它能够对信息进行广泛的处理和整合。

接下来介绍transformer的解码编码结构

Transformer 模型由 编码器（Encoder） 和 解码器（Decoder） 两大部分组成
分别用于输入序列的处理和输出序列的生成。每个编码器和解码器都由多个相同的层堆叠而成，通常是 6 层（但可以根据需要进行调整）。

例子：英文句子翻译成中文
输入句子（英文）：
“I love reading books.”
目标输出（中文）：
“我 喜欢 读书”

那编码器有什么用呢

解码器有什么作用呢

多层：
可以类比为人类学习语言或理解信息的过程。我们并不是一次就能完全理解一句话或一段话的所有含义，而是需要通过逐渐分析不同的层面（例如词汇、语法、语境等）来逐渐构建出完整的理解。多层编码器的设计就是模拟这种认知过程，逐层逐步提炼和抽象信息。

解码器的那个编码器-解码器注意力机制不太理解
可以将其类比为一个人在翻译一个句子时的思维过程。假设你要把英文句子“I love reading books”翻译成中文。如果你想翻译“I”这个词，你会想到它在句子中的位置和它的作用。你会意识到“I”是主语，在中文中应该翻译为“我”。这个判断是基于你对整个句子的理解，而不仅仅是词汇本身。
同样的，在 Transformer 中，解码器生成每个目标词时，它不仅仅依赖于自己已经生成的部分，还会参考 编码器的输出（也就是源语言的句子）来决定最合适的词语。

再具体一点:

用数学就是