前面介绍了学习 Transformer 需要的预备基础知识，在介绍完基础知识后，又介绍了一些国内外比较优秀的大模型的使用方法，并且重点对 chatGLM 和 LLaMa 这两个模型，使用 Python 进行了编码和体验。
本节开始，将进入与 Transformer 技术有关的拆解和介绍。按照行文思路，仍将从 Transformer 架构提出的背景开始进行拆解。
在对这些背景知识以及传统架构有了基本了解之后，你会对 Transformer 是如何解决传统架构（如 RNN）无法解决的问题有更深刻的理解，也更能体会到 Transformer 架构的优势。
接下来就先看一个自然语言处理中的基础概念：Seq2Seq 任务。
什么是 Seq2Seq任务？
Seq2Seq (Sequence-to-Sequence，序列到序列) 是一种用于处理序列数据的神经网络结构。
那什么是序列数据呢?
序列数据指的是有一定先后关系的数据，比如一段文字或者一段语音，都可以认为是序列数据，处理这种数据的模型就可以认为是 Seq2Seq 模型。
序列任务的应用场景有很多，比如机器翻译就是最典型的场景。
对于机器翻译来说，输入是一种语言，输出是另一种语言，且输入和输出的语言长度不是固定的，而是根据实际翻译效果变化的。
就像上面的例子，输入是 7 个文字，而输出只有 3 个英文单词。
你可能熟悉很多可以处理序列数据的AI模型，典型的有：循环神经网络(Recurrent Neural Network, RNN)或者长短时记忆网络(Long Short-Term Memory,LSTM)，这类模型在处理机器翻译等任务时都具有较好的效果。
事实上，很多 AI 任务都可以看作是Seq2Seq任务：与机器人聊天，可以看作是文本生成任务；指导AI进行绘画，可以认为是文本生成图像任务（文本序列到像素特征序列）；文本生成视频，可以认为是文本生成图像序列的任务。
除此之外，还存在一些比较特殊的 Seq2Seq 模型。
比如输入是变长的序列，但是输出却只有一个向量，这种模型也可以称之为多对一的序列模型(Many-to-One序列模型)，最常见的例子便是情感分析。
情感分析是给定一段评论或者文章片段(文本序列)，模型输出一个表示情感的标签(比如这段文字是正面的、负面的还是中性的)。
在这种情况下，整个文本序列是作为输入，但是输出却是单一的情感分类结果。这种模型可以用在判别评论是否为恶意评论等场景。
总之，Seq2Seq 任务，作为一个最基础的与自然语言处理模型有关的概念，需要你了解并掌握。
我创建了一个《小而精的AI学习圈》知识星球，星球上有几十万字原创高质量的技术专栏分享，同时你也可以在星球向我提问。点击这里，我们星球见！ >>>
点击这里查看所有 AI 技术专栏
