Transformer 架构简单理解；GPT-3.5 的架构，向量长度为 :12288；Transformer架构改进：BERT和GPT
目录
Transformer 架构简单理解
GPT-3.5 的架构，向量长度为 :12288
Transformer工作原理：在多头注意力机制（Multi - Head Attention）的标准操作中，每个头（head）的输入数据是相同的
Transformer架构改进：BERT
BERT：BERT是一种基于Transformer的预训练语言模型，它的最大创新之处在于引入了双向Transformer编码器，这使得模型可以同时考虑输入序列的前后上下文信息。
GPT
-
Transformer 架构简单理解
- Transformer 是一种基于自注意力机制（Self - Attention）的深度学习架构，主要用于处理序列数据，如自然语言文本。它摒弃了传统的循环神经网络（RNN）的顺序处理方式，能够并行计算序列中的元素，有效提高处理效率，并且在长序列数据处理上表现出色，能够很好地捕捉序列元素之间的语义关系。
- 查询向量（Query）、键向量（Key）和值向量（Value）的作用
- 查询向量（Query）：可以理解为是当前位置元素发出的 “询问信号”，用于寻找序列中与之相关的其他元素。例如，在一个句子中，一个单词通过查询向量来寻找句子里和它语义相关的其他单词。
- 键向量（Key）：相当于其他元素的 “标签” 或