據雷鋒的《人工智能科學技術評論》報道，谷歌最近與多倫多大學等大學合作發表了一篇論文，提出了一個新的網絡框架變壓器。模型。

     眾所周知，在編解碼框架中，主流的序列傳導模型是基于RNN或CNN的，注意機制是連接編解碼器的機制，Google提出的新的框架Transformer完全基于注意機制。

     變壓器是用來完成翻譯任務的。實驗表明，該模型性能良好，可并行化，大大縮短了訓練時間。EL在WMT 2014英法翻譯任務中。經過3.5天的8個GPU的訓練，最佳BLEU評分為41.0，訓練成本最低，達到了最佳性能。F數據集和有限數量的數據集。

     注意機制是序列模型和傳導模型的結合，允許模型相互依賴而不考慮輸入和輸出序列之間的距離。有時（很少）注意機制與RNN相結合。

     編碼器：編碼器有6個完整的棧層，每個棧層有兩個子層，第一層是多頭自關注機制，第二層是簡單的前饋網絡全連接層，每一層都有殘差和歸一化。

     解碼器：解碼器也由六個相同的堆棧組成，每個堆棧有三個子層，在代碼堆棧的輸出處充當多頭注意機制。

     注意：函數是將Query和一組鍵-值對映射到輸出，因此查詢、鍵、值和輸出都是向量。輸出是值的權重之和，權重由查詢和與值對應的鍵計算。

     雷鋒認為，Google的模型在許多翻譯任務中都取得了最好的效果，而其他識別任務中它的推廣模型也取得了很好的效果。研究人員高興地看到，該模型在其他任務中發揮了很好的作用。谷歌計劃研究變壓器的更廣泛使用——其他形式的輸入和輸出，包括圖像、音頻和視頻。