Transformer多层感知机
从端到端的角度来看，数据在Transformer中的流转可以概括为四个阶段：Embedding（嵌入）、Attention（注意力机制）、MLPs（多层感知机）和Unembedding（从模型表示到最终输出）。
Embedding -> Attention -> MLPs -> Unembedding
下面对第三个阶段MLPs（多层感知机或前馈网络）进行详细介绍：
MLPs（多层感知机） 在Transformer中的位置：
- Transformer的编码器和解码器结构：
（1）Transformer的编码器由多个相同的层堆叠而成，每个层包含两个主要的子层：
一个
多头自注意力（Multi-Head Self-Attention）机制和一个全连接的前馈神经网络（MLP）。
（2）Transformer的解码器也由多个相同的层堆叠而成，但每个层包含三个主要的子层：
一个Masked Multi-Head Self-Attention机制（用于编码器的输出），一个Multi-Head Encoder-Decoder Attention机制（用于结合编码器的输出和解码器的当前位置信息），以及一个全连接的前馈神经网络（MLP）。
Transformer的编码器和解码器结构
- MLP在Transformer中的位置： MLP位于Self-Attention（或Masked Self-Attention）和Multi-Head Attention层之后。
MLP在Transformer中的位置
MLPs（多层感知机）的 模型架构：
- MLPs模型架构
：
（ 1）通常包含两个线性变换层，即一个输入层、一个隐藏层和一个输出层。
（2）在每个线性变换层之间，会应用一个激活函数（如ReLU），以增强模型的非线性表示能力。
（3）数学表达式为，FFN(x) = max(0, xW1 + b1)W2 + b2。
MLP模型架构
MLPs（多层感知机 ）在Transformer中的作用 ：
- MLP在Transformer中的作用 ：
（1）非线性变换：
MLPs通过引入激活函数（如ReLU）提供非线性变换，
这有助于模型捕获输入数据中的复杂模式。
（2）特征提取与整合：
MLPs进一步处理和转换注意力机制提取的特征，
提取和整合更多有用的信息， 使其能够学习更加复杂的函数关系。
- MLP的两个线性变换层的作用 ：
（1）第一个线性变换层：
增加了输入的维度，以便网络能够学习更复杂的表示。
（2） 第二个线性变换层 ：
将维度还原到与输入相同的大小，通过残差连接和层归一化，将MLP的输出与原始输入相加并进行归一化，以确保稳定的训练过程。
MLP在Transformer中的作用
Transformer无限循环操作Attention + MLP：
- Transformer操作的本质：
海量的矩阵乘法。大模型比拼的就是算力，背后大佬就是万卡集群（GPU集群）。
Transformer操作的本质
- 无限循环Attention + MLP：
Attention模块和多层感知机（MLP）模块之间不断切换，直到输出完全融入到序列的最后一个向量。
无限循环Attention + MLP
参考资料