🚀 作者 ：“大数据小禅@yopai”

🚀 文章简介 ：本专栏后续将持续更新大模型相关文章，从开发到微调到RAG、多Agent等，个V: 【yopa66】，持续分享前沿AI实战。

🚀 欢迎小伙伴们 点赞👍、收藏⭐、留言💬

一、Transformer到底是个啥?

简单来说，Transformer就是一种神经网络架构，就像盖房子的图纸一样。2017年Google的研究人员在论文《Attention is All You Need》中提出了它，从此改变了整个AI界。

1.1 Transformer解决了什么问题?

在Transformer出现之前，处理文本主要用RNN(循环神经网络)和LSTM。但这些模型有个大问题：处理长文本时太慢了！

举个例子：

• 你要翻译一句话：“我今天早上吃了一个苹果”
• 传统RNN要这样处理：先看"我"，再看"今天"，再看"早上"…一个字一个字按顺序来
• 这就像你排队买奶茶，前面的人不走，你就得一直等

而Transformer用了自注意力机制(Self-Attention)，可以同时看所有的字，就像开了很多个窗口，大家一起办业务，效率高多了！

1.2 Transformer的核心思想

Transformer的核心是"注意力机制"。什么意思呢？

想象你在读一篇文章：

• 当你看到"它"这个字时，你的大脑会自动往前找，"它"指的是什么
• 可能是前面提到的"猫"，也可能是"汽车"
• 你的大脑会自动"注意"到相关的词

Transformer就是模仿这个过程，让模型学会关注句子中最重要的部分。

二、Transformer和大模型是什么关系?

2.1 简单类比

• Transformer = 建筑设计图纸
• 大模型 = 用这个图纸建出来的摩天大楼

更具体地说：

• Transformer是架构，告诉你神经网络应该怎么搭建
• 大模型是用这个架构训练出来的具体模型

2.2 著名的大模型都用Transformer

看看这些你肯定听过的名字：

1. GPT系列 (GPT-3, GPT-4, ChatGPT)
   • 只用了Transformer的**解码器(Decoder)**部分
   • 擅长生成文本、对话、写代码
2. BERT
   • 只用了Transformer的**编码器(Encoder)**部分
   • 擅长理解文本、分类、问答
3. T5、BART
   • 用了完整的Transformer(Encoder + Decoder)
   • 擅长翻译、摘要等任务

2.3 训练大模型的过程

大模型使用了Transformer架构训练过程是这样的：

1. 准备数据：收集海量文本(比如整个互联网的文章)
2. 搭建架构：按照Transformer设计搭建神经网络
3. 开始训练：让模型不断学习，调整参数
4. 得到大模型：训练好后就能用了

就像：

• Transformer = 健身房的器材和训练计划
• 训练过程 = 你每天去健身
• 大模型 = 练出来的好身材
  

三、神经网络是什么?

在讲激活函数之前，我们得先理解什么是神经网络。

3.1 人脑神经元的启发

人的大脑有大约860亿个神经元，它们互相连接，传递信息。神经网络就是模仿这个原理！

一个神经元的工作原理：

1. 接收信号：从其他神经元接收电信号
2. 处理信号：把这些信号加起来
3. 决定是否激活：如果信号够强，就"点亮"，传给下一个神经元

3.2 人工神经元

计算机里的神经元是这样工作的：

输入1 × 权重1 ＋ 输入2 × 权重2 ＋ 输入3 × 权重3 ＋ 偏置 = 输出

举个实际例子，判断要不要出门买奶茶：

• 输入1：天气好不好 (0-10分)
• 输入2：有多渴 (0-10分)
• 输入3：钱包里有多少钱 (0-10分)

每个输入都有一个权重（重要性）：

• 天气权重 = 0.3 (不太重要)
• 渴的程度权重 = 0.5 (比较重要)
• 钱的数量权重 = 0.2 (不太重要)

计算：

决策分数 = 天气×0.3 + 渴×0.5 + 钱×0.2 + 偏置
如果分数 > 5，就去买奶茶！

3.3 神经网络 = 很多神经元连在一起

一个神经元只能做简单判断，但把成千上万个神经元连起来，分成好几层，就能处理超级复杂的任务！

典型的三层结构：

1. 输入层：接收原始数据
2. 隐藏层：进行复杂计算（可以有很多层）
3. 输出层：给出最终结果
   
   

四、激活函数：神经网络的灵魂

激活函数是神经网络中非常重要的部分。

4.1 为什么需要激活函数?

不用激活函数会怎样？

如果没有激活函数，神经网络就只能做线性计算：

y = w1×x1 + w2×x2 + w3×x3 + b

这样不管你堆多少层，本质上都等于一个简单的线性函数！就像：

• 1层线性 = y = 2x + 1
• 100层线性堆叠 = 还是 y = 某个数×x + 某个数

这太简单了，根本处理不了复杂问题！

有了激活函数之后：

激活函数引入了非线性，让神经网络可以学习复杂的模式。就像：

• 线性 = 只能画直线
• 非线性 = 可以画曲线、圆、各种复杂图形

4.2 常见的激活函数

1. Sigmoid函数

公式： σ(x) = 1 / (1 + e^(-x))

特点：

• 输出范围：0到1之间
• 形状：S形曲线
• 可以理解为"概率"

形象理解： 就像一个温柔的开关：

• 当输入很小时(负数)，输出接近0 = “关”
• 当输入很大时(正数)，输出接近1 = “开”
• 中间过渡是平滑的

什么时候用？

• 二分类问题的输出层(判断是或否)
• 需要输出概率的时候

缺点：

• 容易梯度消失(训练变慢)
• 计算相对慢
  

2. ReLU (Rectified Linear Unit) - 最常用！

公式： f(x) = max(0, x)

特点：

• 输入为负数时，输出0
• 输入为正数时，输出就是输入本身

形象理解： 就像一个严格的门卫：

• 负面情绪(负数)一律拦住 = 输出0
• 正面能量(正数)直接放行 = 输出原值

为什么这么受欢迎？

• 计算超快(只需要比较大小)
• 缓解梯度消失问题
• 训练效果好

什么时候用？

• 隐藏层的默认选择
• 几乎所有的深度学习模型

缺点：

• "Dead ReLU"问题：有些神经元可能永远输出0

3. Leaky ReLU - ReLU的改进版

公式： f(x) = max(0.01x, x)

特点：

• 负数时不是完全为0，而是一个很小的负数(0.01x)

形象理解： 比ReLU温柔一点的门卫：

• 负面情绪不是完全拦住，而是让它稍微进来一点点

优点：

• 解决了Dead ReLU问题
• 保留了ReLU的优点
  

4. GELU (Gaussian Error Linear Unit) - Transformer最爱！

公式： f(x) = x × Φ(x) (其中Φ(x)是高斯分布的累积分布函数)

特点：

• 更平滑的曲线
• 结合了概率的思想

形象理解： 就像一个会思考的智能门卫：

• 不只看正负，还看"有多正"或"有多负"
• 决策更细腻、更智能

为什么Transformer用它？

• 训练效果更好
• 更符合自然语言的分布特征
• GPT、BERT都在用！

5. Tanh (双曲正切函数)

公式： tanh(x) = (e^x - e^(-x)) / (e^x + e^(-x))

特点：

• 输出范围：-1到1之间
• 形状：S形曲线，但中心在0

形象理解： 类似Sigmoid，但更对称：

• 负输入给负输出
• 正输入给正输出
• 比Sigmoid收敛更快

什么时候用？

• 需要输出正负值的场景
• LSTM等循环神经网络

6. Softmax - 多分类专用

公式： Softmax(xi) = e^xi / Σe^xj

特点：

• 把一堆数字转成概率分布
• 所有输出加起来=1

形象理解： 就像评委打分：

• 输入：[猫:5分, 狗:2分, 兔子:1分]
• 输出：[猫:70%, 狗:24%, 兔子:6%]
• 把分数变成百分比，加起来刚好100%

什么时候用？

• 多分类问题的输出层
• 需要概率分布的时候
  

五、总结：把所有知识串起来

📚 知识框架

1. Transformer是什么？
   • 一种神经网络架构（设计图纸）
   • 基于自注意力机制
   • 可以并行处理，速度快
2. Transformer和大模型的关系
   • Transformer = 架构设计
   • 大模型 = 用这个架构训练出来的成品
   • GPT、BERT都是基于Transformer
3. 神经网络基础
   • 模仿人脑神经元
   • 由输入层、隐藏层、输出层组成
   • 通过权重和偏置进行计算
4. 激活函数的作用
   • 引入非线性
   • 让网络能学习复杂模式
   • 不同场景选择不同的激活函数

如果你要做NLP任务（比如训练一个小型语言模型）：

架构：Transformer
隐藏层激活函数：GELU
输出层：Softmax（分类）或Linear（生成）

如果你要做图像识别：

架构：CNN
隐藏层激活函数：ReLU
输出层：Softmax

如果你遇到训练问题：

• ReLU导致神经元死亡 → 试试Leaky ReLU
• 训练太慢 → 检查是不是用了Sigmoid/Tanh在隐藏层
• Transformer效果不好 → 确认是否用了GELU