“ 注意力机制是Transformer的核心，而注意力的目的却是特征提取 ”

Transformer架构对从事大模型领域的人来说应该不是一个陌生的词汇，而且大家应该都知道Transformer架构的核心点就在于其self-attention自注意力机制；虽然说Transofrmer架构的自注意力机制大名鼎鼎， 但真正了解注意力机制的人好像并不是很多，所以今天我们就来简单了解一下注意力机制。

注意这里说的是注意力机制，不是自注意力机制。

注意力机制

先来思考一个问题，什么是注意力机制？

说到注意力机制可能有些人顾名思义就知道是什么意思了；而有些人可能还没明白什么是注意力机制。

就像神经网络是模仿我们人类大脑神经元一样，注意力机制也是模仿我们人类的信息处理机制——那就是注意力。

我们经常会走神，比如说某人问你问题或和你讲话，你说你没注意，没听到等等；这个就是注意力。而注意力机制，就是用一种数学办法来为注意力进行建模，用来处理大模型对待不同数据所产生的注意力大小。

下面我们来举个例子：

如上图所示，你第一眼看到的是什么？就代表着你的注意力在哪里，然后间接忽略其它次要内容。

再比如说，如果问你这张图片的背景是什么？这时你的注意力会在哪里？

如果问你这个小姐姐可能会在什么地方，大概处于一个什么样的环境？这时你的注意力又会在哪里？

现在明白什么是注意力了吧？就是在不同的前提和关注点下，你的注意力会集中在不同的地方。

人在观察事物时会有选择性的关注较为重要的信息，称其为注意力。通过持续关注这一关键位置以获得更多的信息，而忽略其他的无用信息，这种视觉注意力机制大大提高了我们处理信息的效率和准确性。深度学习中的注意力机制和人类视觉的注意力机制类似，就是在更多信息中把注意力集中放在重要的点上，选出关键信息，而忽略其他不重要的信息。

那为什么需要注意力机制，注意力机制解决了哪些问题？

注意力机制被提出来的原因就是解决传统机器学习模型中的长距离依赖信息丢失问题。什么是长距离依赖信息丢失问题？

比如传统的RNN网络——循环神经网络；它需要把全部文本输入到神经网络模型中，虽然这种处理方式并没有什么错；但它存在一个问题，就是当文本过长时，会丢失前面文本的信息，原因就在于模型的处理能力有限。

这个就类似于我们人类的记忆一样，离你时间越久远的东西，你的记忆越模糊。

而注意力机制就恰巧能解决这个问题；举个简单的例子：

如果让你背一篇几十个字的文章，你可能用一会时间就背下来了；即使忘了，随便看一下也能记得起来；但是如果给你一个万字长文，这时你想把它完全背下来并做到不容易忘就很难了。

所以，注意力机制是怎么解决的呢？

一篇万字长文总不可能所有的内容都很重要，它总有一个中心思想，其它的内容都是为了这个表述这个中心思想准备的；因此，在注意力机制中，我不需要把万字长文都背下来，只需要记住其中的中心思想即可。

而这篇万字长文中的中心思想，才是我们需要注意的点，也就是注意力需要集中的地方。

那注意力机制是怎么实现的呢？

其实注意力三个字已经给我们讲的很明白了，你的注意力在哪；哪里就需要注意。但在数学模型中没有注意力这个东西啊，那应该怎么做呢？

这时权重的作用就出现了，所谓的注意力就是对同一个目标的不同点的关注度不一样；而这个关注度就可以用权重来表示。注意力集中的地方，权重就越大，注意力不集中的地方，注意力就越小。

虽然理论上说起来比较简单，但具体实现应该怎么做呢？

在注意力机制中，有三个比较重要的参数——Q，K，V；Q就是你的查询参数，K就是唯一标识，V就是实际值。

举个例子来说，以淘宝或等电商平台的搜索功能来说；Query就是我们在输入框中输入的参数，比如鞋子，衣服等等；然后系统就会给我们返回很多有关鞋子，衣服的店铺，商品等——Key；而我们点进这些店铺或商品详情——Value，就能看到更多关于衣服鞋子等商品的信息。

在注意力机制中，通过把Q，K，V三个参数乘以一个W系数，再进行相加等操作就可以获取到某个数据的权重；而通过这种计算方式，就可以获取到整个输入数据的不同权重，也就产生了多种不同的注意力。

当然，不论是长距离依赖，还是注意力机制，其唯一的目的就是特征提取，以更小的代价，提取更加准确的数据特征。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

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】