AI基本知识-一分钟了解Transform
Transform是一种在天然言语处理（NLP）、盘算机视觉（CV）和其他机器学习范畴中广泛使用的模子布局。它是由Google的研讨团队在2017年的论文《Attention is All You Need》中初次提出的，很多新的模子，如BERT（Bidirectional Encoder Representations from Transformers），GPT（Generative Pretrained Transformer）等，都是基于Transform的布局举行改良的。
Transform模子的主要特点是它使用了自注意力机制（Self-Attention Mechanism）经过这种办法，模子可以在处理序列数据时，对不同地点的数据赋予不同的权重，使得模子可以更好地域解序列中的依托干系。
Transform模子的主要优缺陷如下：
上风：
- 可以并行处理序列中的一切地点，从而提高盘算听从。
- 可以捕捉到序列中长距离的依托干系。
- 模子布局具有很好的机动性，可以容易地举行扩展和改良。
弱势：
- 必要多量的练习数据和盘算资源
- 约莫显现过拟合成绩
底下我们用类比的办法来更好的了解这些看法
内容太干了，养养眼
假定你正在看一部影戏，然后你想要了解影戏中的每一个人物是怎样与其他人物关联的。你约莫必要仔细察看每个人物的对话和举动，以便了解他们之间的干系。这就是Transform模子做的事变，但它是在处理言语大概图像的时分。
Transform模子的一个特点是它可以同时察看一切的局部，就像你可以同时看到影戏中的一切人物一样。这使得它比一些其他模子更快，由于其他模子约莫必要一次只处理一个局部。
Transform模子另有一个特点是它可以处理很远的干系。就像在影戏中，人物A在影戏开头时做了些什么约莫会影响到影戏完毕时人物B的举动。Transform模子也可以捕捉到如此的远距离的干系。
那相应的挑唆也就比力清晰了，就像你必要看很多影戏才干成为一个影戏批评家一样，Transform模子必要多量的数据和盘算才能才干学会了解言语大概图像。假如没有充足的数据大概盘算才能，那么它约莫就无法事情得很好。
