自 2017 年提出至今，Transformer 模型已经在自然语言处理、计算机视觉等其他领域展现了前所未有的实力，并引发了 ChatGPT 这样的技术突破，人们也提出了各种各样基于原始模型的变体。
由于学界和业界不断提出基于 Transformer 注意力机制的新模型，我们有时很难对这一方向进行归纳总结。近日，领英 AI 产品战略负责人 Xavier Amatriain 的一篇综述性文章或许可以帮助我们解决这一问题。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
在过去的几年里，陆续出现了数十个来自 Transformer 家族模型，所有这些都有有趣且易懂的名字。本文的目标是为最流行的 Transformer 模型提供一个比较全面但简单的目录和分类，此外本文还介绍了 Transformer 模型中最重要的方面和创新。
论文《Transformer models: an introduction and catalog》：
论文链接：
https://arxiv.org/abs/2302.07730
GitHub：https://github.com/xamat/TransformerCatalog
简介：什么是 Transformer
Transformer 是一类由一些架构特征定义的深度学习模型。首次出现在谷歌研究人员于 2017 年发表的著名论文《Attention is All you Need》中（这篇论文在短短 5 年就被引用了 3.8 万余次）以及相关的博客文章中。Transformer 架构是编码器 - 解码器模型 [2] 的一个特定实例，该模型在 2 - 3 年前开始流行起来。然而，在此之前，注意力只是这些模型使用的机制之一，这些模型主要基于 LSTM（长短期记忆）[3] 和其他 RNN（循环神经网络）[4] 变体。Transformers 论文的关键见解是，正如标题所暗示的那样，注意力可以被用作推导输入和输出之间依赖关系的唯一机制。讨论 Transformer 体系结构的所有细节超出了本博客的范围。为此，本文建议参考上面的原论文或 Transformers 的帖子，内容都十分精彩。话虽如此，本文将简要叙述最重要的方面，下面的目录中也会提到它们。本文将先从原始论文中的基本架构图开始，继而展开叙述相关内容。
编码器 / 解码器架构
通用编码器 / 解码器体系架构 (参见图 1) 由两个模型组成。编码器接受输入并将其编码为固定长度的向量。解码器获取该向量并将其解码为输出序列。编码器和解码器联合训练以最小化条件对数似然。一旦训练，编码器 / 解码器可以生成给定输入序列的输出，或者可以对输入 / 输出序列进行评分。在最初的 Transformer 架构中，编码器和解码器都有 6 个相同的层。在这 6 层中的每一层编码器都有两个子层：一个多头注意层和一个简单的前馈网络。每个子层都有一个残差连接和一个层归一化。编码器的输出大小是 512。解码器添加了第三个子层，这是编码器输出上的另一个多头注意层。此外，解码器中的另一个多头层被掩码。
图 1：Transformer 体系架构
图 2：注意力机制
注意力
从上面的描述可以清楚地看出，模型体系架构唯一的特别元素是多头注意力，但是，正如上面所描述的，这正是模型的全部力量所在。那么，注意力到底是什么？注意力函数是查询和一组键值对到输出之间的映射。输出是按值的加权和计算的，其中分配给每个值的权重是通过查询与相应键的兼容性函数计算的。Transformers 使用多头注意力，这是一个被称为缩放点积注意力的特定注意力函数的并行计算。关于注意力机制如何工作的更多细节，本文将再次参考《The Illustrated Transformer》的帖文，将在图 2 中再现原始论文中的图表，以便了解主要思想。与循环网络和卷积网络相比，注意力层有几个优势，最重要的两个是它们较低的计算复杂性和较高的连通性，特别是对于学习序列中的长期依赖关系非常有用。
Transformer 的用途是什么，为什么它们如此受欢迎
最初的 Transformer 是为语言翻译而设计的，特别是从英语到德语。但是，通过原先的研究论文就可以看出，该架构可以很好地推广到其他语言任务。这一特别的趋势很快就引起了研究界的注意。在接下来的几个月里，大多数与语言相关的 ML 任务排行榜完全被某个版本的 Transformer 架构所主导（比方说，著名的 SQUAD 排行榜，其中所有位于顶部的模型都是 Transformer 的集合）。Transformer 能够如此迅速地占据大多数 NLP 排行榜的关键原因之一是它们能够快速适应其他任务，也就是迁移学习。预训练的 Transformer 模型可以非常容易和快速地适应它们没有经过训练的任务，这具有巨大的优势。作为 ML 从业者，你不再需要在庞大的数据集上训练大型模型。你所需要做的就是在你的任务中重新使用预训练的模型，也许只是用一个小得多的数据集稍微调整它。一种用于使预训练的模型适应不同任务的特定技术被称为微调。
事实证明，Transformer 适应其他任务的能力是如此之强，以至于尽管它们最初是为与语言相关的任务而开发的，但它们很快就被用于其他任务，从视觉或音频和音乐应用程序，一直到下棋或做数学。
当然，如果不是因为有无数的工具，任何人都可以轻松地编写几行代码，那么所有这些应用程序都不可能实现。Transformer 不仅能被迅速整合到主要的人工智能框架（即 Pytorch8 和 TF9）中，甚至基于此创建起整个公司。Huggingface 是一家迄今为止已经筹集了 6000 多万美元的初创公司，几乎完全是围绕着将开源 Transformer 库商业化的想法建立的。
最后，有必要谈谈 Transformer 普及初期 GPT-3 对其的影响。GPT-3 是 OpenAI 在 2020 年 5 月推出的 Transformer 模型，是他们早期 GPT 和 GPT-2 的后续产品。该公司通过在预印本中介绍该模型而引起了很大的轰动，他们声称该模型非常强大，以至于他们无法向世界发布它。从那以后，该模型不仅发布了，而且还通过 OpenAI 和微软之间的大规模合作实现了商业化。GPT-3 支持 300 多个不同的应用程序，是 OpenAI 商业战略的基础 (对于一家已经获得超过 10 亿美元融资的公司来说，这是很有意义的)。
RLHF
最近，从人类反馈（或偏好）中强化学习（RLHF（也称作 RLHP）已成为人工智能工具包的一个巨大补充。这个概念已经在 2017 年的论文《Deep reinforcement learning from human preferences》中提出。最近，它被应用于 ChatGPT 和类似的对话智能体，如 BlenderBot 或 Sparrow。这个想法很简单：一旦语言模型被预先训练，用户就可以对对话生成不同的响应，并让人类对结果进行排序。人们可以在强化学习环境中使用这些排名（也就是偏好或反馈）来训练奖励（见图 3）。
扩散
扩散模型已经成为图像生成中的新 SOTA，显然将之前的方法如 GANs（生成对抗网络）推到了一边。什么是扩散模型？它们是一类经过变分推理训练的潜变量模型。以这种方式训练的网络实际上是在学习这些图像所代表的潜在空间（参见图 4）。
扩散模型与其他生成模型有关系，如著名的 [生成对抗网络 (GAN)] 16，它们在许多应用中已经被取代，特别是与（去噪）自动编码器。有些作者甚至说扩散模型只是自编码器的一个具体实例。然而，他们也承认，微小的差异确实改变了他们的应用，从 autoconder 的潜在表示到扩散模型的纯粹生成性质。
图 3：带有人类反馈的强化学习。
图 4：概率扩散模型架构摘自《Diffusion Models: A Comprehensive Survey of Methods and Applications》
本文介绍的模型包括：
