Transformer 注意力机制

Transformer是一种基于注意力机制的神经网络架构，广泛应用于自然语言处理任务中，如机器翻译、文本摘要等。注意力机制允许模型在处理输入序列时，能够更加关注与当前位置相关的信息，从而提高模型的表现。

Transformer中的注意力机制主要由自注意力机制（self-attention）和多头注意力机制（multi-head attention）组成。

自注意力机制允许模型在编码器和解码器中对输入序列中的不同位置进行关注。它通过计算每个位置与其他位置之间的相似度得分，然后将这些得分作为权重来加权计算每个位置的表示。这样，模型可以根据输入序列中不同位置的重要性来调整其表示。

多头注意力机制则是通过将多个自注意力机制并行地应用于不同的表示子空间，来捕捉不同的语义信息。每个注意力头都有自己的权重矩阵，可以学习不同的关注模式。最后，多个注意力头的输出会被拼接在一起，并通过线性变换得到最终的表示。

下面是一个使用Transformer的注意力机制进行编码和解码的示例代码：

import torch
import torch.nn as nn

class Transformer(nn.Module):
    def __init__(self, input_dim, hidden_dim, num_heads, num_layers):
        super(Transformer, self).__init__()
        self.encoder = nn.TransformerEncoder(
            nn.TransformerEncoderLayer(input_dim, num_heads, hidden_dim),
            num_layers
        )
        self.decoder = nn.TransformerDecoder(
            nn.TransformerDecoderLayer(input_dim, num_heads, hidden_dim),
            num_layers
        )
    
    def forward(self, src, tgt):
        src_encoding = self.encoder(src)
        tgt_encoding = self.encoder(tgt)
        output = self.decoder(tgt_encoding, src_encoding)
        return output

这段代码定义了一个Transformer模型，其中包含一个编码器和一个解码器。编码器和解码器都是由多层自注意力机制组成的。在前向传播过程中，输入序列会经过编码器得到编码表示，然后解码器会根据编码表示生成目标序列。