我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
我們已經在AI說書 - 從0開始 - 43中，闡述了 Embedding 的訓練方式，現在我們來看是否 Embedding 如我們預期般運作：
假設我的目標句子是：「The black cat sat on the couch and the brown dog slept on the rug」，我將關注於「black」與「brown」這兩個字，因為它們都是顏色的意涵，我預期它們的 Embedding 相似度會挺高的，以下開始驗證：
經過查詢後，「black」的 Embedding 如下，其為維度 dmodel = 512 的向量：
圖片出自：Transformers for Natural Language Processing and Computer Vision - Third Edition, Denis Rothman, 2024
而「brown」的 Embedding 如下，其亦為維度 dmodel = 512 的向量：
圖片出自：Transformers for Natural Language Processing and Computer Vision - Third Edition, Denis Rothman, 2024
為了進行比較，我們引入 Cosine Similarity 的基準進行比較，其概念為：「 Uses the Euclidean (L2) norm to create vectors in a unit sphere. The dot product of the vectors we are comparing is the cosine between the points of those two vectors」，如果各位有興趣的話，可以參照：https://scikit-learn.org/stable/modules/metrics.html#cosine-similarity，運行結果如下：
圖片出自：Transformers for Natural Language Processing and Computer Vision - Third Edition, Denis Rothman, 2024
結果如預期， Embedding 可以偵測到顏色的詞彙，並安排相近的向量來詮釋，因此 Transformer 模型引入 Embedding 後可以把「字詞相近的意涵」或「字與字間的關聯」一併當作模型的有用資訊，然而還缺少一個重要資訊，那就是每個字的位置資訊，這也就是 Positional Encoding 的重點之處。
