3.4 Transformer模型
Transformer模型是一种基于自注意力（Self-Attention）机制的深度学习模型，广泛应用于自然语言处理（NLP）领域。它因其对序列数据进行高质量表示而闻名，并且比传统的循环神经网络（RNN）和卷积神经网络（CNN）等序列模型表现得更好。
3.4.1 背景介绍
Transformer模型最初是由 Vaswani et al. 在2017年提出的[1]。在此之前，RNN和CNN已被广泛用于处理序列数据。然而，这两类模型存在一些局限性。RNN难以捕捉长期依赖关系，而CNN则无法利用全局信息。Transformer模型利用了自注意力机制，解决了这些问题，并取得了突破性的成果。
3.4.1.1 什么是自注意力？
自注意力（Self-Attention）是一种在序列数据上的注意力机制，它允许每个位置的元素根据整个序列的上下文信息进行适当的加权。通过这种方式，模型可以更好地捕捉序列数据中的长期依赖关系。
3.4.1.2 为什么选择Transformer模型？
Transformer模型具有以下优点：
效率：Transformer模型可以并行处理输入序列的所有位置，从而比传统的RNN和CNN模型更加高效。 可解释性：Transformer模型的自注意力机制能够生成可解释的注意力权重，使模型更具透明性。 灵活性：Transformer模型不仅适用于序列到序列任务，还可以用于序列标记 tasks。3.4.2 核心概念与联系
Transformer模型包含几个重要的组件：输入嵌入（Input Embedding）、自注意力层（Self-Attention Layer）、 feed-forward网络（Feed-Forward Network）和残差连接（Residual Connection）。下图显示了这些组件的总体架构：
3.4.2.1 输入嵌入
Transformer模型首先将输入序列转换为固定维度的连续向量空间，称为输入嵌入。这一过程类似于词嵌入[2]，但Transformer模型没有词汇表。相反，Transformer模型直接学习输入序列中每个位置的嵌入向量。
3.4.2.2 自注意力层
自注意力层是Transformer模型的核心组件。它接受一个输入序列，并生成输出序列，其中每个元素都是输入序列的某个位置的上下文信息。自注意力层包括三个部分：查询（Query）、键（Keyÿ