和解码器(Decoder)，零基础小白收藏这一篇就够了！！)
前言
“Transformer编码器的作用是特征提取，而解码器的作用是特征重建”
像很多人一样，一直在奇怪Transformer架构经过多层编码和解码之后就能处理输入数据并生成新的数据；所以，今天我们就来深入了解一下Transformer的编码器。
Transformer的编码器
对计算机网络和加解密比较了解的朋友应该都知道编码和解码；以计算机的四层模型来说，应用层——传输层——网络层——数据链路层；除了应用层之外，其它三层的数据格式都是以字节流的形式存在；而在应用层对数据进行编码和解码，以获取人类能够识别的字符，文本，图片等数据。
再比如我们开发中常用的加解密等手段，也是在应用层进行处理的；因为在下层的字节流中是看不出任何有意义的信息的。
而Transformer的编码器就类似于这种功能，Transformer的编码器就是把人类能够识别的数据，转换成大模型能够识别的数据；而解码器就是把大模型能够识别的数据转换为人类能够识别的内容。
但这个转换过程并不只是简单的格式变换，而是要经过多重数据处理；而这才是Transformer编码器的核心所在。
Transformer的Encoder-Decoder编码器-解码器结构，这种结构被广泛应用于处理序列格式的数据(Seq2Seq)；编码器和解码器是其组成部分的核心结构。
编码的过程是一个模式提取的过程，它的作用是把输入句子的特征提取出来；比如句子的文字，语义关系等；而解码的过程是一个模式重建的过程，它是根据编码器获取的模式特征生成新的我们需要的内容，这个过程就是模式重建的过程。
比如说大模型的经典应用领域之语言翻译，就是经过预训练的模型根据模式特征去“理解”一种语言，然后再根据另一种语言的模式特征生成翻译结果。
Encoder的主要作用是进行特征提取，这样做是因为原始输入中包含一些无用或干扰信息，这会使模型的性能和泛化性大打折扣。所以在这之前，我们通过Encoder来先对数据进行一次特征提取和挖掘.
从架构上看Encoder仅仅只是一个编码器，但如果把这个编码器给放大，我们就能看到里面更多的东西，比如说Transformer架构中最经典的自注意力机制。
Encoder中有一个嵌入输入，也就是上篇文章中讲的嵌入，把人类能识别的文本转化为向量输入到编码器中；当然，这个并不是编码器的重点；编码器的重点在其蓝色框中的部分。也就是里面的自注意力层，包括多头注意力和Add&Norm，也就是Add & Norm 残差 & Layer Normalization 层归一化，以及前馈神经网络——也就是feed forward。
整体流程是这样的：
首先输入进Encoder的向量会经过一个自注意力层，自注意力层会输出一个长度与输入一致，但特征维度可能不一致（也可能一致）的新特征向量z zz
之后会再进行一个残差连接（Residual Connection）的操作，将输入x xx和z zz相加
使用Layer Normalization的方法对残差连接得到的结果进行层归一化的操作
再送入一个前馈神经网络
同样的，执行2.和3.的操作，进行一次残差和归一化处理后输出
说了那么多，其实本质上就是一种数学模型，通过加权，求和等一系列的函数计算，来获取其数学关系。
而经过多层Encoder编码器层的运算，就能提取出输入数据的模式特征；最终形成记忆——也就是大模型的参数值；后续的推理任务，就可以根据这些参数值来分析输入数据的模式特征，然后“理解”其语义关系。
而解码器从结构上来说和编码器没太大区别，唯一不同的是，解码器比编码器多了一个自注意层。
数据经过解码器之后，就是把编码器通过模式提取的空间特征，映射到目标空间中，也就是解码器的模式特征模块；最后，解码器通过这些模式特征生成新的数据。
这就是大模型Transformer的基本运作过程，当然其真实的运作过程远比描述的要复杂得多。
而大模型就是通过多层神经网络来实现编码器-解码器的结构，通过训练之后，最终来执行真实的场景任务。
最后
为什么要学AI大模型
当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！
DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。
与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
AI大模型系统学习路线
在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。
但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。
AI大模型入门到实战的视频教程+项目包
看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
海量AI大模型必读的经典书籍（PDF）
阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。
600+AI大模型报告（实时更新）
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
AI大模型面试真题+答案解析
我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
)
