政府网站建设 资金保障武汉大学人民医院精神卫生中心

Transformer 自 2017 年提出后，在自然语言处理（NLP）、计算机视觉（CV）、语音识别等领域引发了范式转变。除了原始 Transformer，以下是一些成熟且广泛应用的 类 Transformer 架构 及其核心改进：

一、NLP 领域的经典扩展

1. BERT（2018）

• 核心改进：
  • 双向预训练：通过掩码语言模型（MLM）和下一句预测（NSP）学习上下文表示。
  • 应用：NLP 任务（如文本分类、问答系统）的基础模型。
• 代码示例（Hugging Face）：

  python

  运行

  from transformers import BertTokenizer, BertModel
  tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
  model = BertModel.from_pretrained('bert-base-uncased')
  inputs = tokenizer("Hello, world!", return_tensors="pt")
  outputs = model(**inputs)
  

2. GPT 系列（2018-2023）

• 核心改进：
  • 自回归预训练：单向 Transformer 解码器，适合生成任务（如文本生成、对话）。
  • 代表模型：GPT-3、GPT-4、Llama 系列、Chinese-LLaMA 等。
• 特点：参数量巨大（如 GPT-4 达 1.8 万亿），需大规模计算资源。

3. T5（2020）

• 统一框架：将所有 NLP 任务转化为文本到文本的生成问题（如翻译、摘要）。
• 训练方式：使用 “文本指令”（如translate English to German: Hello）引导模型。

4. XLNet（2019）

• 改进：结合自回归和自编码优势，通过排列语言模型（Permutation LM）捕捉双向上下文。
• 优势：在长文本任务（如文档级问答）中表现优于 BERT。

二、计算机视觉（CV）领域的 Transformer

1. ViT（Vision Transformer, 2020）

• 核心思想：
  • 将图像分割为固定大小的 “patch”，通过 Transformer 直接处理，替代 CNN。
  • 结构：Patch Embedding → Transformer Encoder → 分类头。
• 代码示例（PyTorch）：

  python

  运行

  import torch
  from torchvision import models
  model = models.vit_b_16(pretrained=True)
  outputs = model(torch.randn(1, 3, 224, 224))
  

2. Swin Transformer（2021）

• 改进：
  • 层次化结构：通过移动窗口（Shifted Window）降低计算复杂度，支持多尺度特征提取。
  • 应用：目标检测、语义分割（如 COCO 数据集 SOTA）。

3. DETR（2020）

• 创新点：
  • 将目标检测转化为直接集合预测问题，通过 Transformer 消除传统检测中的锚框和 NMS。
  • 结构：CNN 提取特征 → Transformer Encoder-Decoder → 直接预测边界框和类别。

三、多模态与混合架构

1. CLIP（Contrastive Language-Image Pretraining, 2021）

• 核心：
  • 对比学习图像和文本的联合表示空间，支持 “零样本” 图像分类（如输入文本 “一只猫” 识别图片）。
• 应用：图像检索、生成模型（如 DALL-E 的基础）。

2. BART（2020）

• 架构：结合 Transformer 的编码器和解码器，用于文本生成和理解任务。
• 训练：通过 “去噪自编码器”（如随机掩码、打乱句子顺序）学习文本表示。

3. UNetFormer（2022）

• 混合架构：将 Transformer 与 U-Net 结合，用于医学图像分割。
• 改进：通过 Transformer 捕捉全局依赖，同时保留 CNN 的局部特征提取能力。

四、效率优化与轻量级变体

1. Reformer（2020）

• 核心改进：
  • 局部敏感哈希（LSH）：将注意力计算复杂度从 O (n²) 降至 O (n log n)，适合超长文本。
  • 可逆残差层：减少内存占用，支持训练更长序列（如 100k tokens）。

2. Perceiver（2021）

• 架构：
  • 通过 “交叉注意力” 处理任意模态输入（图像、音频、文本），统一多模态建模。
  • 特点：参数与输入长度无关，适合处理超长序列或高分辨率数据。

3. EfficientFormer（2022）

• 设计：
  • 结合 CNN 的高效局部特征提取和 Transformer 的全局建模能力，参数量减少 50% 以上。
  • 应用：移动端视觉任务（如手机摄像头实时识别）。

五、对比与选择建议

任务类型	首选模型	理由
文本分类 / 问答	BERT, RoBERTa, XLNet	双向预训练，适合理解类任务
文本生成 / 对话	GPT, Llama, T5	自回归生成能力强
图像分类 / 检测	ViT, Swin Transformer	纯 Transformer 或混合架构，精度高
多模态任务	CLIP, Flamingo	跨模态对齐，支持零样本学习
长文本处理	Reformer, Longformer	优化注意力机制，降低计算复杂度
移动端部署	MobileViT, EfficientFormer	轻量级设计，参数量少

总结

Transformer 及其变体已成为 AI 各领域的基础架构，选择时需考虑：

1. 任务需求：生成任务选 GPT 系列，理解任务选 BERT 系列，多模态选 CLIP。
2. 计算资源：大规模模型（如 GPT-4）需云服务支持，轻量级模型适合本地部署。
3. 数据规模：长文本任务优先 Reformer/Longformer，短文本可用标准 Transformer。