transformer中feed forward和add&norm怎么称呼

在Transformer模型中，Feed Forward和Add&Norm都是Transformer的基本组成部分，它们各自有专门的称呼。

- Feed Forward在Transformer中被称为“Transformer Encoder中的前馈神经网络（Transformer Encoder Feed-Forward Neural Network）”或简称为“Transformer前馈层（Transformer Feed-Forward Layer）”。它是由两个线性层和一个激活函数组成的，用于对位置编码后的向量进行非线性变换，以增强模型的表达能力。

- Add&Norm被称为“残差连接（Residual Connection）和层归一化（Layer Normalization）”。它是一种正则化方法，用于加速模型的训练和提高模型的泛化能力。Residual Connection是指将输入的向量与通过前馈层处理后的向量相加，以保留输入的信息。Layer Normalization是指对每个样本的每个特征进行归一化，以避免内部协变量位移的问题。通过Add&Norm，Transformer模型可以在不损失精度的情况下加速收敛并提高泛化能力。