)
第三章 Transformer 到底是怎么工作的
很多介绍 Transformer 的文章，一开始就是下面这张公式：
image
看到这里，绝大多数兄弟已经放弃了。
事实上，即使不知道任何数学公式，也完全可以理解 Transformer 的核心思想。
这一章，我们不用矩阵、向量运算这些复杂公式来表述，而是用一个现实例子，说明模型到底是如何"思考"一段文字的。
3.1 从一句话开始
假设我们给模型输入一句话：
小明昨天去北京出差，今天他回来了。
然后问：
"他"是谁？
对于我们人类来说，答案非常简单。
当然是：
小明。
但是，如果你仔细思考，会发现句子里面其实并没有写：
他 = 小明。
我们的大脑为什么能够知道？
因为我们会自动回忆前面的内容。
发现：
小明
和
他
关系最紧密。
于是理解了"他"就是小明。
Transformer 做的事情，其实非常类似。
它也会回头看,不过它不是只看一个词。
而是看前面的所有 Token。
3.2 Transformer 为什么叫 Transformer？
很多人第一次看到：Transformer。
都会问,为什么叫Transformer？
是不是它的直译–变形金刚？(哈哈哈 开个玩笑…)
其实Transformer 的中文一般翻译为：
转换器。
为什么叫转换器？
因为它不断地把一串 Token,逐渐转换成越来越丰富的语义表示。
举个例子,刚开始,模型看到：苹果
它只知道这是一个 Token。
经过第一层它开始知道这是：水果。
再经过几层。
它知道这里说的是：苹果公司。
继续经过几层。
它发现上下文出现：
iPhone
Mac
Apple Store
于是最终理解这里的苹果,不是水果。
而是：Apple 公司。
注意,这里Token 没变,变化的是模型内部对它的理解。
所以Transformer真正转换的不是文字。
而是,每一个 Token 的语义表示。
那么Transformer是怎么转换token的语义的呢?
下面我们分步骤讲.
3.3 第一步：Embedding
上一节,我们提到：
苹果
↓
Token ID
↓
31582
这里很多人会问模型直接处理31582不行吗？
答案是不行。
为什么？
因为31582只是编号,这种编号太短,可存储内容太少,表示的语义也有限。
而且编号之间没有任何关系。
例如：
苹果
31582
香蕉
712
北京
89231
从数字来看,31582和712没有任何联系。
但是,我们人类知道苹果和香蕉都属于水果。
它们应该更接近。
因此,模型需要把Token ID变成一种新的表示。
它就是：Embedding（词向量）。
可以把它理解成：
模型给每一个 Token 建立的一张"身份证"。
不过这张身份证不是姓名,住址,出生年月这些。
而是一大串数字.例如：
苹果
↓
[0.13,
-0.42,
0.78,
…]
在大模型里面,可能一个token有几千维这些数字。
共同描述：苹果这个词在语言世界里的位置。
3.4 为什么叫"向量空间"？
很多文章都会说：
Token 被映射到高维向量空间。
听起来特别抽象,其实你可以想象成一张地图。(当然 地图最多也就三维空间)
地图上每一个 Token都有自己的坐标。
例如：
image
当然,真正的大模型完全不是二维。
而是几千维。
但是,原理一样,距离越近说明语义越接近。
例如模型可能发现：
北京
上海
广州
在向量空间中距离很近。
因为它们都是城市。
而：
Redis
MySQL
Kafka
也很近。
因为它们作为技术中间件经常出现在同样的上下文。
注意:模型并没有人告诉它,Redis 是数据库。
它只是统计发现Redis、Kafka、MySQL、Spring Boot经常一起出现。
于是通过大量的训练和计算,慢慢的这些 Token就在空间里面越来越近。
3.5 Transformer 最重要的一步–Attention(注意力机制)
到了这里,模型已经拥有了每一个 Token 的Embedding。
接下来,神奇的事情发生了。
Transformer 会问：
当前我要预测下一个 Token 时，前面的哪些 Token 最重要？
例如：
小明
昨天
去了
北京
今天
他回来了。
他是谁?
准备开始预测：
后面一句Transformer 会按token依次计算：
“小明”
重要吗？
★★★★★
“昨天”
重要吗？
★★
“北京”
重要吗？
★★★
“今天”
重要吗？
★★
最终模型发现和"他"关系最大的。其实是：小明。
于是模型就知道"他"大概率指的是小明。
这一步。就是Transformer 最伟大的发明：
Attention（注意力机制）。
很多人认为Attention就是让模型注意重点。
其实更准确一点说Attention 做的是：
计算每一个 Token 对当前 Token 的影响程度。
后面一节，我们将专门讲解 Attention 是如何工作的，以及为什么它彻底改变了自然语言处理的发展方向。
本章小结（第一部分）
这一部分，我们讲了三个关键概念：
Transformer 并不是直接处理文字，而是处理 Token 的语义表示。
Embedding 不是普通编号，而是让语义相近的 Token 在高维空间中彼此靠近。
Transformer 的核心思想不是死记硬背，而是在生成每一个 Token 时，动态决定应该重点关注前文中的哪些 Token