Трансформер (модель)

Материал из MachineLearning.

Версия от 10:41, 16 июня 2026; Emil Petrov (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Статья написана с использованием LLM Claude Sonnet 4 и проверена участником Emil Petrov Emil Petrov 14:41, 16 июня 2026 (MSD)

Промпт приводится полностью в Обсуждение:Трансформер (модель)

Трансфо́рмер (англ. Transformer) — архитектура нейронной сети, основанная исключительно на механизме внимания (англ. attention mechanism) без использования рекуррентных или свёрточных слоёв. Впервые предложена в 2017 году исследователями Google Brain и Google Research в статье «Attention Is All You Need»^[1]. Трансформер произвёл революцию в обработке естественного языка и стал основой большинства современных больших языковых моделей, включая GPT, BERT, T5 и их последователей.

Предпосылки и мотивировка

До появления трансформера доминирующими архитектурами для задач обработки последовательностей (перевод, суммаризация, распознавание речи) были рекуррентные нейронные сети (RNN) и их модификации — LSTM и GRU. Они обрабатывают входной текст пошагово: на каждом шаге модель получает текущий токен и скрытое состояние с предыдущего шага. Это порождает две ключевые проблемы:

Последовательный характер вычислений — нельзя распараллелить обработку токенов, что ограничивает масштабирование на современных GPU и TPU.
Затухание градиентов — при длинных последовательностях информация с ранних шагов плохо передаётся к поздним, несмотря на механизм ячеек памяти LSTM.

Механизм внимания частично решал вторую проблему, добавляя прямые связи из декодера к каждому токену кодировщика. Трансформер сделал радикальный шаг: отказался от рекуррентности полностью и построил всю архитектуру на внимании.

Архитектура

Классический трансформер имеет энкодер-декодерную структуру, использовавшуюся изначально для задачи машинного перевода.

Входное представление

Входная последовательность токенов $x_1, ldots, x_n$ сначала преобразуется в матрицу векторов встраиваний $X in mathbb{R}^{n imes d_{model}}$ . К ней прибавляется позиционное кодирование (англ. positional encoding) — детерминированный вектор, несущий информацию о позиции токена в последовательности:

$ext{PE}(pos, 2i) = sin!left(�rac{pos}{10000^{2i/d_{model}}} ight), quad ext{PE}(pos, 2i+1) = cos!left(�rac{pos}{10000^{2i/d_{model}}} ight).$

Такое синусоидальное кодирование позволяет модели обобщаться на последовательности большей длины, чем наблюдались при обучении, и обеспечивает постоянство относительных расстояний между позициями.

Механизм многоголового внимания

Центральный строительный блок — многоголовое внимание (multi-head attention). Для одной «головы» с запросами $Q$ , ключами $K$ и значениями $V$ внимание вычисляется как:

$ext{Attention}(Q, K, V) = ext{softmax}!left(�rac{QK^ op}{sqrt{d_k}} ight) V.$

Масштабирование на $sqrt{d_k}$ предотвращает насыщение функции softmax при большой размерности. Многоголовая версия запускает $h$ независимых операций внимания параллельно и конкатенирует результаты:

$ext{MultiHead}(Q, K, V) = ext{Concat}( ext{head}_1, ldots, ext{head}_h), W^O,$

где $ext{head}_i = ext{Attention}(Q W_i^Q,, K W_i^K,, V W_i^V).$

Каждая голова может специализироваться на различных типах зависимостей: синтаксических, семантических, кореференциальных.

Блок энкодера и декодера

Один слой энкодера состоит из двух подслоёв:

Многоголовое внимание (каждый токен «смотрит» на все остальные токены входа — self-attention).
Позиционно-зависимая полносвязная сеть (feed-forward network, FFN) с двумя линейными преобразованиями и нелинейностью ReLU между ними.

Вокруг каждого подслоя применяется остаточное соединение (residual connection) и нормализация слоя (layer normalization):

$ext{output} = ext{LayerNorm}(x + ext{Sublayer}(x)).$

Слой декодера добавляет третий подслой — кросс-внимание (cross-attention), в котором запросы поступают из декодера, а ключи и значения — из выходов энкодера. Self-attention в декодере маскируется (masked self-attention), чтобы при генерации токена $t$ модель не видела токены с позиций $> t$ .

Полная модель

Стандартный трансформер (модель Base) содержит:

$N = 6$ слоёв энкодера и $N = 6$ слоёв декодера;
$d_{model} = 512$ , $h = 8$ голов, $d_k = d_v = 64$ ;
FFN с внутренней размерностью $d_{ff} = 2048$ ;
итого ~65 млн параметров.

Модель Large ( $d_{model} = 1024$ , $N = 6$ , $h = 16$ ) содержит ~213 млн параметров.

Обучение

Трансформер обучается методом стохастического градиентного спуска с оптимизатором Adam. Авторы предложили специальный планировщик скорости обучения (learning rate schedule): скорость сначала линейно растёт в течение $warmup_steps$ шагов, затем убывает обратно пропорционально квадратному корню из номера шага:

$lr = d_{model}^{-0.5} cdot min(step^{-0.5},; step cdot warmup_steps^{-1.5}).$

Дополнительно применяются техники регуляризации: дропаут на выходах подслоёв, на встраиваниях и в матрицах внимания, а также сглаживание меток (label smoothing) с $�arepsilon = 0{,}1$ .

Варианты архитектуры

С момента публикации оригинальной работы трансформер породил множество специализированных архитектур:

Только энкодер (BERT, RoBERTa) — оптимальны для задач понимания текста (классификация, NER, вопросно-ответные системы). Обучаются на маскированном языковом моделировании (masked language modeling).
Только декодер (GPT, GPT-2/3/4) — оптимальны для авторегрессионной генерации текста. Обучаются на предсказании следующего токена.
Энкодер-декодер (T5, BART, mT5) — универсальный формат «текст в текст» (text-to-text), объединяющий задачи перевода, суммаризации, ответов на вопросы в единый фреймворк.
Эффективные трансформеры (Longformer, BigBird, Linformer, Performer) — модификации механизма внимания для работы с длинными последовательностями, снижающие квадратичную сложность $O(n^2)$ до линейной или логарифмической.

Сложность и масштабируемость

Вычислительная сложность операции внимания составляет $O(n^2 d)$ по числу операций и $O(n^2)$ по памяти, где $n$ — длина последовательности. Это ограничивает применение стандартного трансформера к очень длинным документам.

С другой стороны, отсутствие рекуррентности обеспечивает идеальную параллелизуемость обучения, что позволило масштабировать модели до сотен миллиардов параметров. Законы масштабирования (scaling laws), установленные в работах OpenAI^[1], показывают, что потери на языковом моделировании убывают как степенная функция от числа параметров, объёма обучающих данных и вычислительного бюджета.

Применения

Трансформер стал универсальной архитектурой, выходящей далеко за пределы NLP:

Компьютерное зрение — Vision Transformer (ViT) делит изображение на патчи и обрабатывает их как последовательность токенов; DINO, CLIP используют трансформеры для обучения с самоконтролем и мультимодального обучения.
Генерация изображений — диффузионные модели (Stable Diffusion, DALL-E) используют трансформеры в качестве U-Net-подобного денойзера с механизмом кросс-внимания для обусловливания на текст.
Белковые последовательности — AlphaFold2 применяет трансформеры для предсказания трёхмерной структуры белков по аминокислотной последовательности.
Обработка временных рядов, графов, аудио — трансформеры конкурентоспособны или превосходят специализированные архитектуры во всё большем числе областей.

Значение и исторический контекст

Трансформер является одной из наиболее цитируемых и влиятельных статей в истории машинного обучения. За несколько лет он вытеснил RNN из большинства задач NLP и инициировал эпоху больших языковых моделей, изменившую ландшафт искусственного интеллекта. Архитектура оказалась настолько универсальной, что сейчас её называют «foundation model» — универсальным фундаментом, на котором строятся специализированные системы дообучением (fine-tuning) и инжинирингом промптов.

См. также

Примечания

Литература

Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention Is All You Need // Advances in Neural Information Processing Systems. — 2017. — Т. 30.
Kaplan J., McCandlish S., Henighan T. et al. Scaling Laws for Neural Language Models // arXiv preprint. — 2020.
Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // NAACL-HLT. — 2019.
Dosovitskiy A. et al. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale // ICLR. — 2021.
Tunstall L., von Werra L., Wolf T. Natural Language Processing with Transformers. — O'Reilly Media, 2022. — ISBN 978-1098103244

Источник — «http://www.recognition.su/wiki/index.php?title=%D0%A2%D1%80%D0%B0%D0%BD%D1%81%D1%84%D0%BE%D1%80%D0%BC%D0%B5%D1%80_%28%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C%29»

Категории: Машинное обучение | Нейронные сети | Обработка естественного языка