ChatGPT底层架构Transformer技术及源码实现（二）
Gavin大咖微信：NLP_Matrix_Space
3.2 图解Transformer精髓之架构设计、数据训练时候全生命周期、数据在推理中的全生命周期、矩阵运算、多头注意力机制可视化等
如图3-14所示，是Transformer编解码的示意图，中间有个关键内容是状态（State），输入的数据会被编码器（Encoder）编码成状态或者是上下文（Context），解码器（Decoder）会使用这个上下文，和所有的词汇进行向量和矩阵的乘法操作，得出一个结果。
图3- 14编码器、解码器示意图
如图3-15所示，具体来看左侧是输入（Inputs）信息，形成了输入嵌入词向量（Input Embedding），使用向量的方式来表达，其中有一个非常关键的地方是多头注意力（Multi-Head Attention），通过这种方式能够捕获更多的信息，表达更多精细的信息。还有一个前馈神经网络（Feed Forward），图中的N_×表明有很多层，然后把数据传给解码器（Decoder）。
图3- 15 Transf
