# Encoder, Reasoner und Decoder mit skalenübergreifenden Skip-Verbindungen · Yila

> Drei farbig hinterlegte Blockstapel für Encoder, Reasoner und Decoder liegen übereinander; durchgezogene Linien zeigen den Datenfluss, gestrichelte die skalenübergreifenden Skips, erklärt durch eine Legende unten links. Geeignet für Methodenabbildungen in der Sequenzmodellierung.

URL: https://yila.ai/de/templates/framework-skip-network-figure

Dargestellt ist eine dreistufige neuronale Architektur. Die Eingabesequenz wird mit einer Positionskodierung addiert und durchläuft einen Stapel von Encoder-Blöcken, die Merkmale auf mehreren Skalen extrahieren. Der Reasoner projiziert diese Merkmale, verarbeitet sie in eigenen Blöcken zur Inferenz über den globalen Kontext und gibt aufbereitete Repräsentationen aus. Anschließend erzeugt ein Decoder bedingt die Ausgabesequenz, abgeschlossen von Layer Normalization und einem Output Head. Gestrichelte Linien leiten Zwischenmerkmale aus Encoder und Reasoner an spätere Blöcke weiter. Auf einen Blick soll erkennbar sein, was Hauptpfad und was Abkürzung zwischen Schichten ist.

- **Eingabe und Positionskodierung**: Token-Kästchen und ein Sinussymbol treffen sich an einem Summationsknoten; tragen Sie dort Sequenzlänge und Embedding-Dimension ein.
- **Encoder-Stapel**: Ein getöntes Feld mit hintereinandergeschalteten Encoder-Blöcken und anschließender Layer Normalization; die Blockzahl bleibt als Index stehen.
- **Mehrskalige Merkmalsausgabe**: Gestufte Kacheln rechts zeigen Merkmale auf mehreren Skalen; geben Sie an, welche Auflösung oder welchen Stride jede Stufe vertritt.
- **Reasoner-Stapel**: Ein sandfarbenes Feld, das die Merkmale nach innen projiziert, über den globalen Kontext schließt und das Ergebnis normalisiert.
- **Decoder und Output Head**: Projektion, Decoder-Blöcke, Layer Normalization und Output Head in Folge, am Ende die vorhergesagten Tokens.
- **Skalenübergreifende Skip-Pfade**: Gestrichelte Linien von Encoder- und Reasoner-Blöcken zu späteren Blöcken; vermerken Sie, ob Merkmale addiert oder konkateniert werden.
- **Legende**: Ein umrandeter Schlüssel unten links trennt durchgezogenen Datenfluss von gestrichelten Skips und erklärt die beiden Feldfarben.
- **Projektionsschichten**: Am Eingang von Reasoner und Decoder bildet je eine Projektion die Ausgabe der vorigen Stufe auf deren Hidden Size ab.

- Mechanismusabbildung im Paper, Folien zur Verteidigung, Vorlesungsunterlagen, Wissenschaftliches Poster

- **Wo endet jeder Skip?**: Im Beispiel beginnen die gestrichelten Linien unter einem Encoder-Block und enden auf der Leitung zwischen zwei späteren Blöcken – das ist mehrdeutig. Klären Sie, ob ein Skip in den Eingang, den Ausgang oder eine Residualsumme mündet.
- **Angleichung der Dimensionen**: Die skalenübergreifenden Pfade führen Merkmale unterschiedlicher Auflösung in denselben Block. Nennen Sie, ob Interpolation, Pooling oder eine lineare Projektion sie angleicht; ohne diese Angabe ist das Modell nicht reproduzierbar.
- **Tiefe und geteilte Gewichte**: Die Blockzahlen stehen nur als Indizes in den Feldern. Gutachter erwarten eine Tabelle mit tatsächlicher Tiefe, Hidden Size und Zahl der Attention Heads sowie eine Aussage dazu, ob die drei Stufen Gewichte teilen.
- **Braucht es den Reasoner?**: Sind die Reasoner-Blöcke baugleich mit den Encoder-Blöcken, kommt die Frage, ob es sich nicht einfach um einen tieferen Encoder handelt. Stützen Sie die Trennung mit einer Ablation ohne Reasoner.

## FAQ

### Kann ich die Architekturabbildung direkt in den Methodenteil übernehmen?

Nehmen Sie sie als Entwurf. Es ist eine KI-generierte Illustration mit generischen Blocknamen und ungenauen Endpunkten der Skips. Benennen Sie die Module nach Ihrem Modell um und geben Sie vor der Einreichung in der Legende Anfang, Ende und Fusionsregel jeder Verbindung an.

### Kann ich Module ergänzen, streichen oder Verbindungen ändern?

Einzelne Elemente lassen sich nicht bearbeiten, und es ist keine Vektorgrafik. Beschreiben Sie die Änderung im Chat mit Yila – Reasoner weglassen, zweiten Decoder-Zweig ergänzen, Skips mit Gates versehen –, dann wird das gesamte Framework neu erzeugt.

### Welches Dateiformat erhalte ich?

Ein KI-generiertes PNG im Querformat 4:3. Die drei gestapelten Stufen passen auf eine seitenbreite Abbildung oder eine breite Folie; verlangt der Verlag Vektorgrafik, zeichnen Sie die Struktur mit derselben Hierarchie in Ihrem Diagrammwerkzeug nach.

### Kostet das etwas?

Diese Seite und das Beispiel anzusehen kostet nichts. Das Erzeugen der Abbildung in Yila und jede weitere Überarbeitung verbrauchen Credits. Neue Konten erhalten 2.500 Credits, genug für eine erste Version und das schrittweise Umbenennen von Blöcken und Verbindungen.

### Lassen sich Verlustfunktion und Training mit darstellen?

Bitten Sie um einen Verlustterm am Output Head oder einen Zweig unterhalb der Abbildung, der Training und Inferenz gegenüberstellt. Hat das Modell bereits viele Blöcke, hält ein eigenes Trainingsdiagramm den Hauptpfad übersichtlich.

### Passt das auch zu Modellen, die nicht auf Sequenzen arbeiten?

Die Anordnung aus Encoder, Reasoner und Decoder lässt sich auf Bild-Patches, Punktwolken oder Graphknoten übertragen. Beschreiben Sie im Chat die Eingabeform und lassen Sie die mehrskaligen Kacheln mit den Auflösungsstufen Ihres Modells beschriften; die Skip-Pfade bleiben erhalten.

---

- [Encoder, Reasoner und Decoder mit skalenübergreifenden Skip-Verbindungen](https://yila.ai/de/templates/framework-skip-network-figure)
- [llms.txt](https://yila.ai/de/llms.txt)
