Transformateurs : Architecture complète et mécanisme d'auto-attention

Cette séance de cours couvre l'architecture complète des Transformers, composée de blocs d'encodeur et de décodeur avec des couches d'attention multi-têtes et des réseaux d'alimentation avant. Il explique le mécanisme d'auto-attention utilisé pour l'encodage des séquences sans calculs récurrents, ainsi que l'importance des emboîtements positionnels. La séance de cours se penche également sur les spécificités de l'auto-attention dans les blocs d'encodeur et de décodeur, soulignant la reconnaissance par le comité Nobel de Strickland pour l'avancement de l'optique. De plus, il examine les différences entre l'auto-attention dans l'encodeur et le décodeur, l'attention multi-tête masquée et le mécanisme d'attention croisée. La séance de cours se termine par des réflexions sur le changement de paradigme apporté par l'utilisation de modèles entièrement préformés comme le GPT et les améliorations massives des tâches NLP réalisées grâce à des modèles comme le GPT-2 et le GPT-3.