Skip to the content.

最終更新日:2026年9月23日

まず結論

Transformerは、RNNのような再帰処理を使わず、Attentionを中心に系列中の要素同士の関係を扱うニューラルネットワーク構造です。

G検定では次を押さえます。

  • 中核は Self-Attention
  • RNNのように1時刻ずつ隠れ状態を渡さない
  • 系列の順番は 位置情報で補う
  • Encoder / Decoder の組合せがある
  • BERTやGPTの土台になっている

特に、Transformer=必ず文章生成モデルではありません。

直感的な説明

RNNは、文章を前から順に読みながら情報を受け渡すイメージです。

Transformerは、各トークンが他のトークンとの関係をAttentionで計算し、

どの情報をどれくらい参照するか

を直接決めます。

ただし、「いつでも未来の単語まで全部見られる」わけではありません。

GPTのような自己回帰モデルでは、未来側を見ないようにマスクします。

定義・仕組み

Self-Attention

Self-Attentionでは、同じ系列から Query・Key・Value を作り、要素同士の関連度を計算します。

詳しくはAttentionで整理しています。

位置情報

Attentionだけでは、入力の並び順そのものは自動では分かりません。

そのためTransformerでは、Positional Encoding / Positional Embeddingなどを使って位置情報を与えます。

Encoder / Decoder

原論文のTransformerは、EncoderとDecoderを組み合わせた構造です。

  • Encoder:入力系列から文脈表現を作る
  • Decoder:これまでの出力やEncoder側の情報を使って出力系列を生成する

その後、

  • BERT → Encoder中心
  • GPT → Decoder型
  • 翻訳モデル → Encoder + Decoder

のような派生が広く使われています。

詳しくはTransformerの全体構造で確認できます。

並列計算

RNNでは、前の時刻の隠れ状態が次の計算に必要なため、系列方向の処理が直列になりやすくなります。

Transformerでは、学習時に系列中の複数位置をまとめて計算しやすいことが大きな利点です。

ただし、GPTのように次トークンを1つずつ生成する自己回帰推論では、出力生成そのものは逐次的です。

いつ使う?(得意・不得意)

Transformer系は、

  • 自然言語処理
  • 画像
  • 音声
  • マルチモーダル

など幅広い分野で使われています。

注意点は、標準的なSelf-Attentionでは系列長が伸びると計算量・メモリ使用量が大きくなりやすいことです。

そのため、長い系列を効率よく扱うためのさまざまな改良もあります。

G検定ひっかけポイント

Transformer=RNN?

❌ RNNの一種
⭕ 再帰処理を使わずAttentionを中心に構成する

Attentionなら未来も見える?

❌ 常に系列全体を無制限に参照する
⭕ 参照範囲はマスクや構造に依存する

GPT系では未来側をマスクします。

Transformer=常に並列?

❌ 生成時も全トークンを一度に出せる
⭕ 学習時は並列化しやすいが、自己回帰生成は逐次的

Transformer=GPT?

❌ Transformerという1つの言語モデルがGPT
⭕ Transformerは構造、GPTはその構造を使う代表的モデル系列

まとめ(試験直前用)

  • Transformer=Attention中心のニューラルネットワーク構造
  • RNNの再帰処理を使わない
  • Self-Attentionで要素間の関係を扱う
  • 位置情報を別途与える
  • BERT=Encoder系、GPT=Decoder系
  • 学習時の並列化と自己回帰生成時の逐次処理を混同しない

参考資料

© 2024-2026 stemtazoo. All rights reserved.