A Survey of Transformer 一份Transformer综述

本文版权归属于GiantPandaCV公众号

这是复旦大学出品的一份Transformer的综述，里面涵盖内容很广泛，长文预警，完整读完可能需要15-20分钟

论文链接:

介绍

Transformer现在是一种在各个领域被广泛使用的模型，包括NLP,CV,语音领域。随着这几年发展，一些Transformer的变体在以下几个方面进行改进：

1. 模型效率

由于self-attention模块的计算，存储复杂度都很高，让Transformer在处理长序列数据时效率较低。主要的解决方法是对Attention做轻量化以及引入分治思想。

2. 模型泛化

Transformer没有像CNN引入归纳偏置，导致其在小规模数据集上难以训练。解决方法是引入结构偏置或正则项，在大数据集上进行预训练等等。

3. 模型适应能力

这方面工作主要是将Transformer引入下游任务中

背景知识

原始Transformer

这部分我们主要介绍原始Transformer中几个关键模块

Attention模块

Attention公式原型如下：

Attetntion(Q, K, V) = softmax(\frac{QK^T}{\sqrt{D_k}})V = AV \\

而Transformer中使用的是多头注意力机制，首先使用多组 W_k, W_q, &W_v&来分别计算，然后将多组注意力结果拼接起来，并最后再和 W_o做一次线性变换。整个过程如下:

MultiheadAttn(Q,K,V) = Concat(head1, head2...)W^O \\where \space head_i = Attention(QW^Q_i, KW^K_i, VW^V_i) \\

在Transformer中，分以下三种Attention：

• self-attention，自注意力机制，即上述公式中的Q,K,V都设置为样本输入X（旨在获取样本内单词之间的注意力）。
• Masked self-attention: 用于decoder中，其中掩码保证计算注意力的时候只使用该位置以内的信息。
• Cross-Attention: 其中Query使用的是解码器的输出，而Key和Value使用的是编码器输出。

FFN模块

前馈层就是两层全连接层加一个激活层，可以写为

FFN(X) = ReLU(W_1X + b^1)W_2 + b^2 \\

残差连接和LayerNorm

在每个Transformer Block中，都加入了残差连接和LayerNorm。整个过程可以写为

H’ = LayerNorm(SelfAttention(X)+X) \\H = LayerNorm(FFN(H') +H’) \\

位置编码

由于Transformer没有引入循环结构以及卷积结构，模型本身是缺失位置信息的。我们通过给Encoder和Decoder的输入加入位置编码，让数据带有一定位置信息

模型使用方法

通常有以下三种

• Encoder-Decoder 常用于Sequence to Sequence的建模（如机器翻译)
• Encoder-Only 只用了前面的编码器，常用于分类，序列标注问题
• Decoder-Only 只用了后面的解码器，常用于序列生成任务

模型分析

这里主要分析其中两个组件FFN和self-attention的复杂度和参数量 这里我们假设序列长度为T，通道数为D，FFN中间全连接层大小为4D，那么有以下表格

简单推导

我们以self-attention为例子，其中self-attention需要三个矩阵W_Q, W_K, W_V，进而将输入X投影得到Q,K,V。而这三个矩阵大小都是DxD（因为输入维度是D，输出维度也是D），而最后计算完注意力后，还需要经过一个线性层，其矩阵大小也为DxD，因此参数量就是4D^2

矩阵乘计算复杂度补充，假设矩阵A是(N, M)，矩阵B是(M, P), 那么得到的矩阵C是(N, P),而每一个元素计算需要M次乘法，因此复杂度为O(NMP)，其他操作对比可参考 Transformer/CNN/RNN的对比（时间复杂度，序列操作数，最大路径长度）

在Q和K进行矩阵乘的时候，是(T, C)和(C, T)(K转置后)矩阵相乘，因此复杂度为O(T^2C),FFN的参数量和计算复杂度也以此类推。

可以看到在长序列下，self-attention的操作复杂度以2次方增加。

Transformer与其他网络的比较

self-attention的分析

我们总结了以下三个优点

1. 它与全连接层有相同的最大路径长度，适合长距离建模。
2. 相比卷积有限的感受野（在CNN中，需要堆叠很多层才能得到全局感受野），self-attention能以有限的层数建模长期依赖关系。
3. 相比于循环层（RNN系列），self-attention的并行度更高。

关于归纳偏置

CNN使用卷积核，引入图像局部性。RNN将时间不变性引入。而Transformer抛弃了这些归纳偏置，一方面能让其足够通用灵活，另一方面Transformer很容易对小规模数据过拟合。

另一个与其相关的是GNN图网络，Transformer可以被看作一个完全有向图(带自环)上的GNN，其中每个输入都是图中的一个节点(PS: 笔者对GNN不理解，这里翻译比较僵硬)。

不同种类的Transformer

后续的Transformer变体都是在以上几个组件加以改进得到。

Attention

自注意力机制是很重要的一个组件，它有如下两个问题

1. 复杂度，在处理长序列的时候计算开销很大
2. 结构先验，抛弃了所有归纳偏置，导致其在小型数据容易过拟合

解决方法有以下：

1. Sparse Attention，将稀疏偏置引入到注意力计算
2. Linearized Attention，将注意力矩阵和特征映射分离，降低至线性复杂度
3. 显存压缩，减少QKV的数量来减小注意力矩阵
4. 低秩self Attention，这类工作主要是抓住自注意力的低秩性
5. 带有先验的Attention，使用预先注意力分配来补充标准的自注意力机制
6. 改进Multi-head机制

Sparse Attention

在一些训练好的Transformer模型中，可以观察到注意力矩阵通常是稀疏的，因此可以通过限制query-key对的数量来减少计算复杂度。

我们可以将稀疏化方法进一步分成两类，基于位置信息Position-based和基于内容Content-based两种方法。

基于位置信息的稀疏化注意力

基础的稀疏注意力模式

主要来说有以下五种稀疏注意力的基本模式

• Global Attention 为了增强模型模拟长距离依赖关系，我们可以加入一些全局节点。
• Band Attention 大部分数据都带有局部性，我们限制query只与相邻的几个节点进行交互
• Dilated Attention 跟CNN中的Dilated Conv类似，通过增加空隙以获取更大的感受野
• Random Attention 通过随机采样，提升非局部的交互
• Block Local Attention 使用多个不重叠的Block来限制信息交互

复合的稀疏注意力模式

使用上面的基础稀疏注意力模式进行结合，这里就不展开叙述了。

扩展的稀疏注意力模式

不同于上面基础的几种注意力模式，针对一些特殊数据类型也有一些扩展的稀疏注意力。

BP-Transformer构造了一个基于二叉树的注意力模式，所有的token作为叶子节点，而内部节点则包含了多个token。更高层的span node能包含更长距离内的token。

在视觉方面的数据上，Image Transformer尝试了两种稀疏注意力模式

1. 将图像展平，并应用一个block local sparse attention
2. 以2维的形式，应用一个2D block local attention

Axial Transformer对于图像的每个轴，应用独立的注意力模块

基于内容的稀疏注意力

一些工作是根据输入数据来创建稀疏注意力，其中一种很简单的方法是选择和给定query有很高相似度的key。

Routing Transformer采用K-means聚类方法，对中心向量集合上的key和query进行聚类。每个query只与其处在相同cluster下的key进行交互。

中心向量采用滑动平均的方法进行更新：

\widetilde{\mu} = {\lambda}\widetilde{\mu} + (1-\lambda)(\sum_{i:\mu(q_i)=\mu}^{}{q_i}+\sum_{j:\mu(k_j)=\mu}^{}{k_j}) \\c_{\mu} = {\lambda}{c_{\mu}}+(1-\lambda)|\mu| \\\mu = \frac{\widetilde{\mu}}{c_{\mu}} \\

其中c_{\mu}是cluster的数量，|\mu|是cluster当前的向量个数

Reformer则采用local-sensitive hashing(LSH)哈希方法来为每个query选择key-value。其主要思想是对query和key哈希，分到多个桶内，在同一个桶内的query，key参与交互。

设b为桶的个数，给定一个大小为[D_k, b/2]的矩阵，LSH可写为

h(x) = argmax([-xR; xR]) \\

此外，Sparse Adaptive Connection将序列看作是一个图，自适应学习稀疏连接。Sparse Sinkhorn Attention使用一个排序网络，给query，key分到多个块内，并给每个query块分配一个key块，每个query只允许和对应的key进行交互。

Linearized Attention

这类方法主要是使用\phi(Q)\phi(K)^T来近似或替代计算Attention中的QK^T，以降低计算复杂度至O(T)。(其中\phi是在行方向上的特征映射)

我们先写出Attention的一般形式:

z_i = \sum_j^{}\frac{sim(q_i, k_j)}{\sum_{j’}^{}sim(q_i, k_j)}v_j \\

其中 sim 是一个用于计算向量相似性的函数。在原始Transformer是对向量做内积+softmax，我们选择用一个核函数来代替

K(x, y) = \phi(x)\phi(y)^T \\

那么前面的Attention可以改写为

z_i = \sum_j^{}\frac{\phi(q_i)\phi(k_j)^T\otimes{v_j}}{\phi(q_i)\sum_{j’}^{}{\phi(k_{j’})^T}} \\

这类方法有两个关键的组件，分别是特征映射和特征聚合方法

特征映射

即前面提到的\phi，Linear Transformer使用的是\phi(x) = elu(x)+1，其目的不是近似标准Attention中的点积，只是性能能与标准Transformer相当。

Performer则使用的是随机特征映射方式：

\phi(x) = \frac{h(x)}{\sqrt{m}}[f_1(w_1^Tx), ..., f_m(w_m^Tx), ..., f_l(w_1^Tx), ..., f_l(w_m^Tx)] \\

在第一个版本中，Performer受启发于随机傅里叶特征映射（常用于近似高斯核）。其中：

• h(x)=exp(\frac{||x||^2}{2})
• l = 2
• f1 = sin, f2=cos

然而第一个版本不能保证attention计算得到的score是非负的，第二版改进为:

• h(x)=exp(-\frac{||x||^2}{2})
• l = 1
• f1 = exp

当然还有其他特征映射方法，这里不过多阐述

聚合方法

在前面的公式中，\phi(k_j)\otimes(v_j)通过简单的求和进行特征聚合。

RFA引入一种门机制，当给记忆矩阵S添加一个新关联，它通过一个可学习的标量g来让历史关联呈现出指数衰减的形式。

Schlag等人利用写入/删除的方法来增加记忆矩阵容量（这里看不懂，不展开讲了）

Query原型和显存压缩

除了对注意力稀疏化和线性化，另外一个减少注意力复杂度的方法是减少query或key-value的数量。

使用Query原型的Attention

Query原型和显存压缩

除了对注意力稀疏化和线性化，另外一个减少注意力复杂度的方法是减少query或key-value的数量。

使用Query原型的Attention

这里使用Query原型作为计算Attention分布的主要来源，模型可以将分布复制到对应query的位置，也可以用离散均匀分布来填充。

Cluster Attention将query分组到多个cluster当中，为每个cluster的中心向量计算注意力分布。

Informer则是显式地使用query稀疏度度量选取query原型，该度量由query注意力分布和离散均匀分布之间的KL散度近似推导出来。

使用压缩Key-Value显存的注意力

这类方法减少key-value对的数量，来减少复杂度。

Liu等人提出MCA，使用卷积层减少key-value数量

Set Transformer和Luna使用一些外部可训练全局节点，来对输入进行压缩

Linformer则将key，values投影(即和一个矩阵相乘)，减少其长度。

Poolingformer则使用两阶段Attention，包含一个滑窗Attention和一个压缩显存Attention。

低秩自注意力

相关研究者发现自注意力矩阵大多是低秩的，进而引申出两种方法：

1. 使用参数化方法显式建模
2. 使用低秩近似自注意力矩阵

低秩参数化

事实上注意力矩阵的秩是小于序列长度的，而序列特别短的时候，会造成over-parameterization，甚至过拟合。

Guo等人使用一个低秩注意力模块建模长距离依赖和一个band attention来捕获局部依赖，来代替原始注意力矩阵。

低秩近似

Performer使用随机傅里叶映射来去近似高斯核函数。

Nyström method对输入使用平均池化进行降采样，选取m个landmark节点，

记\widetilde{Q}和\widetilde{K}为landamark query和key，近似的注意力矩阵可以按如下所示计算：

\widetilde{A} = softmax(Q\widetilde{K}^T)(softmax(\widetilde{Q}\widetilde{K}^T))^{-1}softmax(\widetilde{Q}K^T) \\

先验注意力

先验注意力分布可以补充或替代注意力矩阵

模型局部先验注意力

一些特定的数据类型（如文本）对位置有强烈偏好，我们可以根据这种特性来设计先验注意力。

Gaussian Transformer认为句子中的词符合距离正态分布(离中心词越近则越重要)，于是给注意力矩阵加入了高斯先验。

从底层模块获取先验

相关研究者观察到相邻几层的注意力分布是相似的，很自然想到使用前面层的注意力矩阵参与当前层注意力的运算

\hat{A} = w1*A^{(l)}+w2*g(A^{(l-1)}) \\

Predictive Transformer则对先前的attention score进行二维卷积 并加入到当前层运算，可以写为

\hat{A} = \alpha*A^{(l)} + (1-\alpha)*Conv(A^{(l-1)}) \\

Realformer则是将先前的attention score直接加到当前层

\hat{A} = A^{(l)} + A^{(l-1)} \\

Lazyformer则是在相邻层内共享一个注意力矩阵

多任务适配先验

(这段也不是很懂)

通过在预训练网路的特定位置添加适配器，进而实现跨任务参数共享

只使用先验的注意力

Zhang等人使用一个离散正态分布作为注意力来源

You等人使用高斯分布作为注意力分布

Synthesizer使用了一个随机初始化的可学习Attention矩阵，只用query参与计算最终attention scores。

提升多头注意力机制

头部行为建模

这部分引入了更复杂的机制来引导不同注意力头的行为，并让不同注意力头进行交互

Li等人在损失函数引入正则项以增加注意力头的多样性

Talking-head Attention使用talking head机制，从h_k到h头生成注意力分数，进行softmax，并从h_v来实现value聚合。(也不是很懂这部分工作)

Collaborative Multi-head Attention则对所有注意力头共享使用矩阵W^Q和W^K，并用一个混合向量为第i个注意力头来过滤参数，公式如下：

head_i = Attention(QW^Qdiag(m_i), KW^K, VW^V) \\

跨度受限的多头注意力

原始的多头注意力机制是全跨度的，即一个query能和所有key-value对参与运算。但相关研究者观察到一些注意力头只关注局部信息，而一些其他注意力头关注更广的上下文信息。因此对跨度的改进有以下两个方向：

• Locality 限制attention的跨度能引入局部性
• Efficiency 在合理实现下，一些模型可以扩展到长序列，且不会引入额外显存和计算

Sukhbaatar采取一个可学习的attention span(如下图b)，即使用一个可学习的标量z和一个超参数R来生成mask(进而控制跨度)，实验中观察到较低的网络层有着更小的学习跨度，较高的网络跨度更大。

Multi-Scale Transformer采用了固定的跨度，但在不同层的不同头中，设定了不同跨度。

Refined聚合机制的多头注意力

原始的多头注意力机制是先将每个头的结果concat拼接到一起，然后经过一个全连接层W_O。

这种做法可以等价于重参数化注意力输出并求和，我们可以先把最后的全连接层分组为

W_O = [W_1^O;W_2^O;...W_H^O;] \\

多头注意力机制可以重写为

MultiheadAttn(Q, K, V)=\sum_{i=1}^{H}(QW_i^Q, KW_i^K, VW_i^VW_i^O) \\

也有人认为这种聚合机制过于简单，并对此进行改进。Gu和Feng等人使用了胶囊网络，将注意力头输出作为胶囊的输入，而经过迭代路由后得到输出胶囊，最终这些输出胶囊被拼接在一起得到最后多头注意力的输出。

其他的一些改进

Shazeer提出了multi-query attention，所有的注意力头共享key-value对，能进一步提升解码速度。

Bhojanapalli等人将注意力头的大小和注意力头的个数解耦开来(即没有采用原始多头注意力的做法),而将注意力头大小设置为D_m/h。

其他模块级别的修改

位置表达

我们知道卷积和循环神经网络不是排列不变(permutation equivariant)的，然而Transformer中的注意力机制和FFN层都是排列不变的，所以我们需要引入位置信息。

绝对位置编码

在原始的Transformer中采取的是绝对正弦位置编码

PE(t)_{i}= \begin{cases} sin(\omega_it) & \text{ if i is even}\\ sin(\omega_it) & \text{ if i is odd}\\ \end{cases} \\

另外一种方法是采用一个可学习的Embedding层，来添加位置信息。

Wang等人提出使用正弦位置编码，但是每个频率\omega_i是学习得到。

相对位置编码

这种方法主要关注的是token之间的关系(绝对位置编码则是把token都考虑为独立的一个个体)。

Shaw等人将可学习的相对位置编码Emebedding加入到注意力机制中的key，公式如下：

clip(x) = max(-K, min(x, K)) \\r_{ij}=R_{clip(i-j)} \\k_j^{’} = k_j + r_{ij} \\

Transformer-XL重新设计attention score计算方式，并引入正弦编码

其中W, u是可学习变量，而R则是正弦编码矩阵

DeBERT使用了位置编码Embedding，并且采用类似Transformer-XL的计算注意力方式

其他位置表示方式

TUPE重新设计计算注意力方式，并且引入一个bias来表征位置信息

Roformer使用的是旋转位置编码，通过向量的旋转来表示相对位置

这里强力推荐苏剑林老师的博客，Roformer位置编码可参考 Transformer升级之路：2、博采众长的旋转式位置编码

没有采取显式编码的位置表示

R-Transformer每一个块里，首先输入到一个RNN中，再进入到注意力模块。RNN能给输入信息带上位置信息。

CPE使用了卷积层来引入位置信息

Decoder中的位置表示

Decoder中的masked self-attention并不是排列不变的，也有研究者发现移除了decoder部分的位置编码能够提升模型性能

Layer Normalization

LN放置的位置

在原始的Transformer中，Layer Normalization放置在中间，我们称为post-LN，后续也有人把LN放到前面，称为pre-LN，具体差别如下图所示

Xiong等人分析得到在post-LN下，输出层的梯度比较大，这也导致使用post-LN的Transformer如果不采用学习率warm-up策略，会出现训练不稳定现象。

尽管post-LN可能导致训练不稳定，它其性能通常比pre-LN要好。Liu等人发现post-LN并不受梯度不均匀的影响，训练不稳定的原因是训练初期，残差连接会导致输出产生较大的偏移。他提出模型自适应初始化，控制了残差分支的贡献度，保证训练的平稳性。

可参考作者本人知乎的回答 如何看待 EMNLP 2020 录用结果？有哪些亮眼的成果？

LN的一些替代品

Xu等人观察到LN中大部分可学习参数不起作用，并且会增加模型过拟合的风险，提出了一种不依赖可学习参数的归一化方法AdaNorm

y = \frac{x-\mu}{\sigma} \\z = C(1-ky)\odot{y} \\

其中C, k是超参数

Nguyen和Salazar提出用L2范数来替代

z = g\frac{x}{||x||} \\

其中g是一个可学习标量

Shen等人探讨了BN在Transformer上表现不好的原因，并提出PowerNorm，作出如下改进：

1. 松弛了0均值的限制
2. 使用平方平均替代了方差
3. 对平方平均值采用了running statistic方式，而不是使用每个batch内的统计信息

无Normalization的Transformer

ReZero使用了一个可学习残差分支来代替LN，公式如下

H’ = H + \alpha*F(H) \\

其中\alpha设置为一个可学习参数，并初始化为0

关于Rezero这篇文章，我推荐阅读下香侬科技的解读香侬读 | ReZero: 使用加权残差连接加速深度模型收敛

Point-wise前馈层

FFN同样也是很重要的一个组件，相关研究也基于这个模块进行改进

激活函数

原始的Transformer采用的是ReLU激活函数，后续有以下改进：

• Ramachandran使用swish激活函数替代
• GPT中使用了GELU
• Shazeer等人使用了GLU(Gated Linear Unit)

获取更大容量的FFN

一些工作着重于拓展FFN，以获得更大的模型容量

Lample等人使用product-key memory layers来代替部分FFN，输入经过query network投影到隐空间，然后采取两组sub-key，构成一个笛卡尔积product keys，生成的q和key比较，检索，得到K个key，然后与value做加权和。

关于这篇文章，我推荐这篇解读large memory layer

Gshard则采用MoE(Mixture of Experts)来代替FFN，每个MoE有多个FFN层，MoE的输出则是FFN的加权和，门控值使用一个路由函数g计算得到。 MoE每次前向传播，只有门限值在topK内的专家(即对应的FFN)被激活，参与最终运算。

MoE解读推荐GShard论文笔记（1）-MoE结构

Switch Transformer和每次选取kge专家的MoE不同，其每次只使用有最大门限值的专家。

Yang等人将专家进行分组，在每个组里选取top1的专家参与运算。

丢弃FFN

Sukhbaatar等人将FFN的ReLU替换成softmax，并且将FFN中的bias丢弃，将FFN转换为注意力模块

Yang等人发现在Decoder部分，可以安全地丢掉FFN，不会损失过多地性能，同时能提升训练，推理速度。

架构级别的变体

轻量化Transformer

LiteTransformer将原始Attention分为两个分支，一个分支继续采用attention机制捕捉长距离上下文，另一个分支使用depthwise卷积捕捉局部信息

Funnel Transformer引入池化操作减少序列长度，随后使用上采样恢复序列

DelighT替换了原始的Block，具体改进为：

1. 使用了先expand后reduce的DeLighT变换
2. 使用单头注意力
3. 使用了先reduce后expand的FFN

增强跨网络块的连接

在前面有介绍过Realformer和Predictive Attention Transformer，通过引入额外路径，增强信息流动

在一些encoder-decoder模型中，decoder中的cross-attention模块只用了最后一个解码器的输出。Transparent Attention则改进为encoder层的加权和。

Feedback Transformer引入了一个Feedback机制，对所有层做一个加权和，来聚合历史信息

自适应调整计算时间(Adaptive Computation Time)

将自适应调整计算时间引入Transforer有以下好处：

• 难样本的特征调整，对于一些难以处理的数据，可以送入更深的层，以获得更好的特征表达。
• 提高简单样本的效率，对于简单样本，浅层的表示足以完成任务。

Universal Transformer使用了一种循环机制来调整特征表达，如图a所示。

Conditional Computation Transformer加入一个门控模块，来决定是否跳过当前层，如图b所示

也有一部分工作如DeeBERT，PABEE引入早退机制，如图c所示

使用分治策略的Transformer

将序列分割为多个子序列来处理，能够提升Transformer的效率，主要分为两大类方法，一种是循环Transformer，一种是层级Transformer

循环Transformer

类似于RNN，循环Transformer设置了一个cache来存储历史信息，每次处理一段子序列，网络会将cache作为额外输入进行运算，运算完后写入新的cache。如上图a所示。

Transformer XL则重用了前面片段的cache，进而生成K,V。对于第l层和{\tau}+1个片段

\widetilde{H}_{\tau+1}^{(l)} = [SG(H_{\tau}^{(l)})o(H_{\tau+1}^{(l-1)})] \\

其中SG表示停止梯度更新，o表示拼接操作

K_{\tau+1}^{(l)},V_{\tau+1}^{(l)} = \widetilde{H}_{\tau+1}^{(l)}W^K, \widetilde{H}_{\tau+1}^{(l)}W^V \\

Compressive Transformer将cache拓展成两个层级的memory，引入一些压缩操作，来减少反向传播更新的时间。

Memformer则将循环机制引入encoder-decoder结构(前面几种针对的是decoder-only结构)，给encoder加入memory cross attention。还有一些其他方法这里不过多赘述。

层级Transformer

低层特征送入encoder，将输出特征聚合得到高层特征，并由高层Transformer处理，这种方法有两个好处:

1. 能够在有限的资源处理长序列
2. 能够产生更丰富的特征表达

这里涉及的比较杂，感兴趣的可以翻原论文6.4.2

探索替代架构

Lu等人设计了Macaron Tranasoformer，使用FFN-attention-FFN来替代原始Transformer Block

Sandwich Transformer调整了attention和FFN的位置，将attention置于地层，FFN置于高层

Mask Attention Network引入了动态掩码注意力机制，掩码由token的表征，相对距离和所属头的索引生成。

还有一些使用NAS搜索得到的架构，如Evolved Transformer，DARTSformer等。

预训练Transformer

主要分为三个方向

• Encoder：代表的有Bert，使用了掩码语言建模和Next sentence prediction(NSP)来作为自监督训练目标。 RoBERTa则在此基础上删除了NSP ，因为发现NSP会降低下游任务的性能。
• Decoder：代表的有GPT系列。
• Encoder-decoder: BART在BERT基础上引入去噪目标。Encoder-Decoder的结构能让模型拥有语言理解和生成的能力。

Transformer应用领域

• NLP：这里不多废话
• CV：最近大火的视觉Transformer
• 音频应用：语音识别，合成，增强；音乐生成
• 多模态

总结和未来展望

我们认为未来发展方向有以下三大方面：

• 理论分析：相比CNN和RNN，Transformer更适合在大数据上训练，相对而言性能也会更好，然而原因还不详，需要理论支持。
• 超越注意力的更好的全局交互机制
• 多模态数据统一框架

最后希望这篇综述能让你了解当前Transformer的进展，帮助读者们为其他应用改进Transformer。