Transformer架构详解：从自注意力机制到BERT/GPT核心原理

1. 从“Attention is All You Need”说起为什么Transformer是革命性的2017年一篇名为《Attention Is All You Need》的论文横空出世它提出的Transformer架构彻底改变了自然语言处理乃至整个深度学习领域的游戏规则。当时循环神经网络RNN及其变体LSTM、GRU是处理序列数据如文本、语音的绝对主流。这些模型像一个“健忘”的读者从左到右逐字阅读句子试图记住前面的内容来理解后面的部分。但问题在于当句子很长时模型很容易“忘记”开头的信息这就是所谓的“长距离依赖”问题。虽然引入了注意力机制作为辅助但核心的序列建模能力依然依赖于RNN的顺序计算结构这导致了两个致命瓶颈一是无法并行计算训练速度极慢二是信息传递路径过长模型难以有效学习全局依赖。Transformer的答案简单而粗暴既然注意力机制这么有效那我们为什么还需要RNN于是它抛弃了循环结构完全依赖自注意力机制Self-Attention来建立序列中任意两个位置之间的直接联系。这就像在阅读一篇文章时你不是从第一个字读到最后一个字而是瞬间就能洞察全文同时理解“它”这个词在句子开头和结尾分别指代什么。这种架构带来了几个颠覆性的优势极致的并行化能力所有词元可以同时计算充分利用GPU算力训练速度呈数量级提升强大的长程建模能力无论两个词相距多远它们之间的关联都可以通过一步注意力计算直接捕获以及统一的建模框架为后续BERT、GPT等预训练大模型的爆发奠定了最核心的基石。今天当我们谈论AI大模型——无论是写诗的ChatGPT、画图的DALL-E还是写代码的Codex——其心脏几乎都是Transformer或其变体。理解Transformer不仅是理解一项技术更是理解当前这一波AI浪潮的底层逻辑。接下来我将抛开复杂的数学公式用最直白的方式带你拆解Transformer的每一个核心部件看看这个“变形金刚”到底是如何工作的。2. Transformer的宏观蓝图编码器与解码器的交响乐Transformer的整体结构是一个经典的编码器-解码器Encoder-Decoder框架最初是为机器翻译任务设计的。你可以把它想象成一个精通多国语言的同声传译系统。编码器Encoder的任务是“理解”源语言句子。它由N个原论文中N6完全相同的层堆叠而成。每一层都包含两个核心子层多头自注意力机制Multi-Head Self-Attention和前馈神经网络Feed-Forward Network FFN。每个子层周围都包裹着“残差连接Residual Connection”和“层归一化Layer Normalization”。源句子中的每个词经过这N层的层层提炼最终被转换成一个富含上下文信息的“语义向量”。这个过程是并行的所有词同时被处理。解码器Decoder的任务是“生成”目标语言句子。它同样由N个相同的层堆叠而成但结构比编码器稍复杂。每一层包含三个子层掩码多头自注意力层Masked Multi-Head Self-Attention让解码器在生成当前词时只能“看到”已经生成出来的词即左侧的词而不能“偷看”未来的词这保证了生成过程的因果性。编码器-解码器注意力层Encoder-Decoder Attention这是连接编码器和解码器的桥梁。解码器利用这一层去“询问”编码器“根据我目前已经生成的部分源句子中哪些信息是现在最需要的”这实现了翻译中的“对齐”功能。前馈神经网络层FFN与编码器中的FFN作用相同。解码器也是逐层堆叠并且每个子层同样有残差连接和层归一化。最终解码器最顶层的输出会通过一个线性层和一个Softmax层转换成一个概率分布告诉我们下一个词最可能是词汇表中的哪一个。这里有一个关键细节编码器和解码器都需要一个初始的输入表示。这不仅仅是简单的词嵌入Word Embedding而是“词嵌入 位置编码Positional Encoding”。因为Transformer没有循环结构它本身无法感知词的顺序。位置编码就是给每个词注入其在句子中位置信息的一串独特数字让模型知道“我”是第一个词“爱”是第二个词。通常使用正弦和余弦函数来生成这些编码其好处是模型可以轻松学习到相对位置关系比如“第5个词和第10个词的距离”。注意虽然原始Transformer是编码器-解码器结构但后续很多著名模型只用了其中一部分。例如BERT只用了编码器部分进行理解类任务如文本分类、问答GPT系列只用了解码器部分带掩码的自注意力进行生成类任务。理解这个整体框架有助于你把握各种变体的脉络。3. 自注意力机制Transformer的灵魂拆解如果说Transformer是一座大厦那么自注意力机制就是承重墙。它的核心思想是让序列中的每一个元素词都能直接与序列中的所有其他元素进行交互并根据交互的重要性动态调整自己的表示。我们通过一个简单的例子来理解。考虑句子“The animal didnt cross the street because it was too tired.”那只动物没有过马路因为它太累了。这里的“it”它指代的是“animal”动物还是“street”马路对于人类来说很简单但对模型来说是个挑战。自注意力机制让模型在处理“it”时可以去计算“it”与句中所有其他词的关联度分数。理想情况下模型会给“animal”很高的分数给“street”很低的分数从而将“it”的语义更紧密地与“animal”绑定。3.1 计算过程Query, Key, Value 的类比自注意力机制通过一套巧妙的“查询-键-值Query-Key-Value”系统来实现上述思想。你可以把它想象成一个信息检索系统查询Query我当前要处理的词想知道什么我带着我的问题Query向量去检索。键Key库里的每本书序列中的每个词都有一个标题Key向量用来匹配查询。值Value每本书的实际内容Value向量是我们最终要获取的信息。具体计算分为四步我们假设输入是一个包含n个词的序列每个词已经表示成一个d_model维的向量例如512维线性变换对每个词的输入向量分别用三个不同的权重矩阵W_Q, W_K, W_V进行线性变换为它生成对应的Query、Key、Value向量。这相当于为每个词准备了问题、标签和答案包。Q X * W_Q K X * W_K V X * W_V计算注意力分数计算当前词的Query与序列中所有词的Key的点积。点积值越大表示两者的相关性越高。这步回答了“当前词应该关注谁”的问题。分数 Q_i · K_j^T 对于所有j缩放与归一化将上一步的分数除以一个缩放因子通常是Key向量维度的平方根√d_k目的是在梯度计算时保持稳定性。然后通过Softmax函数将所有分数归一化为概率分布总和为1。这个概率分布就是“注意力权重”它明确了当前词应该以多大的比例关注序列中的每一个词。注意力权重 Softmax(分数 / √d_k)加权求和用第三步得到的注意力权重对所有的Value向量进行加权求和。这个求和结果就是当前词新的、融入了全局上下文信息的表示向量。输出 Σ (注意力权重_j * V_j)3.2 为什么要“多头”Multi-Head只做一次上述的自注意力计算模型可能只学会一种类型的依赖关系比如指代关系。但语言是复杂的一个词可能同时需要关注其语法上的主语、语义上的近义词、语境中的情感色彩等。“多头”注意力就是并行地运行多组例如8组独立的注意力计算每组都有自己的W_Q, W_K, W_V矩阵可以学习到在不同“表示子空间”里的关系。最后将所有头的输出拼接起来再经过一个线性变换得到最终输出。多头注意力(Q, K, V) Concat(head_1, head_2, ..., head_h) * W_O 其中 head_i Attention(Q * W_Q_i, K * W_K_i, V * W_V_i)这好比让多个专家从不同角度语法、语义、语用同时分析句子然后综合他们的意见得到更全面、更鲁棒的理解。在之前的例子中一个头可能专注于学习“it”和“animal”的指代关系另一个头可能在学习“tired”和“animal”的修饰关系。4. 前馈神经网络与残差连接稳定训练的基石在自注意力层捕捉了词与词之间的关联后我们需要一个组件来对每个位置的信息进行独立、非线性的变换和增强这就是前馈神经网络FFN。它在Transformer的每一层编码器和解码器中都存在作用于每个位置词的向量上且各个位置的FFN参数是共享的。FFN的结构非常简单通常是一个两层的全连接网络FFN(x) max(0, x * W_1 b_1) * W_2 b_2其中W_1将输入从d_model维如512映射到一个更大的维度如2048经过ReLU激活函数后再由W_2映射回d_model维。你可以把它理解为一个“感知机”负责将注意力层输出的、融合了上下文信息的向量进行特征提炼和维度变换为下一层提供更丰富的表示。那么为什么需要残差连接Residual Connection和层归一化Layer Normalization呢深度神经网络训练的一大难题是梯度消失/爆炸。当网络有几十甚至上百层时梯度在反向传播过程中可能会变得极小或极大导致模型无法训练。Transformer通过引入残差连接巧妙地缓解了这个问题。它的做法是将子层如自注意力层或FFN层的输入x直接加到该子层的输出F(x)上即输出 LayerNorm(x F(x))。这样做的好处是梯度在反向传播时除了可以通过F(x)这条路径还可以通过“恒等映射”即加号另一边的x这条捷径直接回传。这极大地减轻了深度网络中的梯度衰减问题使得训练非常深的Transformer模型成为可能。层归一化则负责稳定每一层输出的分布。它将一个序列中所有词向量的每一个特征维度而不是一个批次的所有样本进行归一化使其均值为0方差为1。这有助于加速模型收敛提升训练稳定性。在Transformer中层归一化被应用在残差相加之后即LayerNorm(x Sublayer(x))这种结构也被称为“后归一化”Post-LN。后来也有一些变体采用“前归一化”Pre-LN将层归一化放在子层之前在实践中有时能带来更好的训练稳定性。5. 解码器的独门秘籍掩码与交叉注意力解码器的工作模式与编码器有本质不同它是自回归Autoregressive的。这意味着它在生成目标序列时是一个词一个词地进行的。在生成第t个词时模型只能依赖于已经生成的前t-1个词以及完整的源序列编码。这种特性通过两个关键机制实现。5.1 掩码多头自注意力Masked Multi-Head Self-Attention这是解码器第一个子层。它的计算过程与编码器的多头自注意力几乎完全相同但多了一个“掩码”操作。在计算注意力分数矩阵时我们会生成一个下三角矩阵作为掩码Mask。这个掩码矩阵在主对角线及以上的位置代表未来位置设置为负无穷大或一个非常大的负数在主对角线以下的位置代表过去和当前位置设置为0。经过Softmax函数后那些被掩码的位置未来词的权重会变成0。这样在计算当前词的表示时它就只能“看到”它自己以及它左边的词无法“偷看”右边的、尚未生成的词。这就严格保证了生成过程的因果性。5.2 编码器-解码器注意力Encoder-Decoder Attention这是解码器的第二个子层也是连接源语言和目标语言的桥梁。这一层的输入有三个Query来自解码器上一子层掩码自注意力层的输出。它代表解码器当前已经生成的部分所关注的问题。Key Value都来自编码器最后一层的输出。它们代表了源句子的完整语义信息。这一层的计算就是标准的注意力机制解码器的Query去“查询”编码器提供的Key得到注意力权重然后用这个权重对编码器的Value进行加权求和。这个过程形象地理解为解码器在生成每一个目标词时都会回过头去“瞥一眼”源句子根据自己当前的需要从源句子中提取最相关的信息。在机器翻译中这实现了经典的“对齐”概念比如生成英文的“bank”时模型会去重点关注中文源句中是“银行”还是“河岸”。6. 从原理到代码用PyTorch搭建一个微型Transformer理解了所有组件后最好的巩固方式就是动手实现一个简化版的Transformer。这里我们用PyTorch搭建一个用于序列到序列任务如数字排序的微型Transformer。我们将聚焦于核心架构省略一些工程细节。6.1 定义基础组件多头注意力与位置编码首先我们实现最核心的多头注意力模块。import torch import torch.nn as nn import torch.nn.functional as F import math class MultiHeadAttention(nn.Module): def __init__(self, d_model, num_heads): super().__init__() assert d_model % num_heads 0 self.d_model d_model self.num_heads num_heads self.d_k d_model // num_heads # 定义Q, K, V的线性变换层和最后的输出层 self.W_q nn.Linear(d_model, d_model) self.W_k nn.Linear(d_model, d_model) self.W_v nn.Linear(d_model, d_model) self.W_o nn.Linear(d_model, d_model) def forward(self, query, key, value, maskNone): batch_size query.size(0) # 1. 线性变换并分头 Q self.W_q(query).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2) K self.W_k(key).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2) V self.W_v(value).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2) # 2. 计算缩放点积注意力 scores torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(self.d_k) if mask is not None: scores scores.masked_fill(mask 0, -1e9) # 将mask为0的位置填充负无穷 attn_weights F.softmax(scores, dim-1) # 3. 加权求和 context torch.matmul(attn_weights, V) # 4. 合并多头并输出 context context.transpose(1, 2).contiguous().view(batch_size, -1, self.d_model) output self.W_o(context) return output, attn_weights接着实现正弦余弦位置编码。class PositionalEncoding(nn.Module): def __init__(self, d_model, max_len5000): super().__init__() pe torch.zeros(max_len, d_model) position torch.arange(0, max_len, dtypetorch.float).unsqueeze(1) div_term torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model)) pe[:, 0::2] torch.sin(position * div_term) pe[:, 1::2] torch.cos(position * div_term) pe pe.unsqueeze(0) # (1, max_len, d_model) self.register_buffer(pe, pe) # 不是模型参数但会随模型保存/加载 def forward(self, x): # x: (batch_size, seq_len, d_model) return x self.pe[:, :x.size(1), :]6.2 构建编码器层和解码器层编码器层包含多头自注意力和前馈网络以及残差连接和层归一化。class EncoderLayer(nn.Module): def __init__(self, d_model, num_heads, d_ff, dropout0.1): super().__init__() self.self_attn MultiHeadAttention(d_model, num_heads) self.feed_forward nn.Sequential( nn.Linear(d_model, d_ff), nn.ReLU(), nn.Linear(d_ff, d_model) ) self.norm1 nn.LayerNorm(d_model) self.norm2 nn.LayerNorm(d_model) self.dropout nn.Dropout(dropout) def forward(self, x, maskNone): # 子层1: 多头自注意力 (带残差和归一化) attn_output, _ self.self_attn(x, x, x, mask) x self.norm1(x self.dropout(attn_output)) # 子层2: 前馈网络 (带残差和归一化) ff_output self.feed_forward(x) x self.norm2(x self.dropout(ff_output)) return x解码器层更复杂一些包含三个子层。class DecoderLayer(nn.Module): def __init__(self, d_model, num_heads, d_ff, dropout0.1): super().__init__() self.self_attn MultiHeadAttention(d_model, num_heads) self.cross_attn MultiHeadAttention(d_model, num_heads) self.feed_forward nn.Sequential( nn.Linear(d_model, d_ff), nn.ReLU(), nn.Linear(d_ff, d_model) ) self.norm1 nn.LayerNorm(d_model) self.norm2 nn.LayerNorm(d_model) self.norm3 nn.LayerNorm(d_model) self.dropout nn.Dropout(dropout) def forward(self, x, enc_output, src_maskNone, tgt_maskNone): # 子层1: 掩码多头自注意力 attn_output, _ self.self_attn(x, x, x, tgt_mask) x self.norm1(x self.dropout(attn_output)) # 子层2: 编码器-解码器注意力 attn_output, _ self.cross_attn(x, enc_output, enc_output, src_mask) x self.norm2(x self.dropout(attn_output)) # 子层3: 前馈网络 ff_output self.feed_forward(x) x self.norm3(x self.dropout(ff_output)) return x6.3 组装完整的Transformer模型最后我们将编码器、解码器以及嵌入层、位置编码、输出层组合起来。class Transformer(nn.Module): def __init__(self, src_vocab_size, tgt_vocab_size, d_model512, num_heads8, num_encoder_layers6, num_decoder_layers6, d_ff2048, max_seq_len100, dropout0.1): super().__init__() self.encoder_embedding nn.Embedding(src_vocab_size, d_model) self.decoder_embedding nn.Embedding(tgt_vocab_size, d_model) self.positional_encoding PositionalEncoding(d_model, max_seq_len) self.encoder_layers nn.ModuleList([ EncoderLayer(d_model, num_heads, d_ff, dropout) for _ in range(num_encoder_layers) ]) self.decoder_layers nn.ModuleList([ DecoderLayer(d_model, num_heads, d_ff, dropout) for _ in range(num_decoder_layers) ]) self.fc_out nn.Linear(d_model, tgt_vocab_size) self.dropout nn.Dropout(dropout) def encode(self, src, src_mask): src_embedded self.dropout(self.positional_encoding(self.encoder_embedding(src))) enc_output src_embedded for layer in self.encoder_layers: enc_output layer(enc_output, src_mask) return enc_output def decode(self, tgt, enc_output, src_mask, tgt_mask): tgt_embedded self.dropout(self.positional_encoding(self.decoder_embedding(tgt))) dec_output tgt_embedded for layer in self.decoder_layers: dec_output layer(dec_output, enc_output, src_mask, tgt_mask) return dec_output def forward(self, src, tgt, src_maskNone, tgt_maskNone): enc_output self.encode(src, src_mask) dec_output self.decode(tgt, enc_output, src_mask, tgt_mask) output self.fc_out(dec_output) return output这个微型实现涵盖了Transformer的核心骨架。在实际应用中你需要处理更复杂的数据流如教师强制训练、优化技巧如标签平滑、学习率预热以及大规模的参数配置。但通过这个代码框架你已经能够清晰地看到数据是如何流经编码器、解码器并最终产生预测的。7. Transformer的变体与演进从ViT到Diffusion Transformer原始的Transformer是为NLP设计的但其强大的序列建模能力迅速被迁移到计算机视觉、语音、多模态等领域催生了一系列重要的变体。7.1 Vision Transformer (ViT)ViT是Transformer在图像分类领域的开创性应用。它的核心思想是将图像视为一个序列的图块Patch。具体做法是将一张图像分割成固定大小的非重叠图块例如16x16像素然后将每个图块线性投影成一个向量加上位置编码就得到了一个“图块序列”。这个序列可以直接输入到标准的Transformer编码器中。ViT完全抛弃了卷积神经网络CNN仅使用Transformer编码器就在大规模图像数据集上取得了媲美甚至超越CNN的性能。这证明了自注意力机制在视觉特征提取上的强大潜力。后续的Swin Transformer通过引入层次化设计和滑动窗口注意力进一步提升了效率并适应了密集预测任务如目标检测、分割。7.2 只使用编码器或解码器的模型BERT (Bidirectional Encoder Representations from Transformers)仅使用Transformer编码器。通过“掩码语言模型MLM”和“下一句预测NSP”任务进行预训练学习双向的上下文表示。它擅长理解类任务如文本分类、命名实体识别、问答。GPT (Generative Pre-trained Transformer)仅使用Transformer解码器带掩码的自注意力。通过“自回归语言模型”任务进行预训练即根据上文预测下一个词。它擅长生成类任务如文本续写、对话、代码生成。GPT-3、ChatGPT都属于此系列。7.3 Diffusion Transformer (DiT)这是Transformer在生成式AI另一大主流范式——扩散模型中的成功应用。扩散模型通过逐步去噪的过程从随机噪声生成图像。传统的去噪网络常用U-Net一种CNN架构。DiT的核心创新在于用Transformer块替换了U-Net中的卷积层。它将噪声图像和当前时间步等信息作为条件输入通过一系列Transformer块进行特征变换。实验表明在可扩展性方面DiT超越了基于CNN的扩散模型当模型规模和训练计算量增加时生成的图像质量以FID分数衡量提升得更明显。这标志着Transformer在图像生成领域也确立了其统治地位。这些变体的成功根本在于Transformer的自注意力机制提供了一种数据驱动、全局交互的建模方式。无论是文本中的词、图像中的图块还是扩散过程中的潜在特征都可以被抽象为序列中的元素通过注意力机制自由地建立两两之间的关联。这种灵活性是卷积和循环结构难以比拟的。8. 实战中的挑战与调优经验理解了原理和架构在实际训练和部署Transformer模型时你会遇到一系列工程上的挑战。以下是一些关键的注意事项和调优经验。8.1 位置编码的替代方案原论文的固定正弦位置编码虽然有效但无法处理训练时未见过的更长序列。实践中更常用的是可学习的位置编码Learned Positional Embedding即把位置也当作一个需要学习的嵌入向量。对于相对位置敏感的任务如阅读理解相对位置编码如Transformer-XL、T5中使用的效果更好它让模型关注词与词之间的相对距离而非绝对位置。8.2 注意力计算复杂度与优化标准自注意力的计算复杂度是O(n²)其中n是序列长度。这对于长序列如长文档、高分辨率图像是难以承受的。业界提出了多种优化方案稀疏注意力Sparse Attention如Longformer、BigBird只计算每个词与局部窗口内及少量全局关键词的注意力将复杂度降至O(n)。线性注意力Linear Attention通过核函数近似将Softmax注意力中的矩阵乘积顺序交换实现O(n)复杂度如Linformer、Performer。分块/局部注意力将序列分块在块内和块间进行注意力计算是许多视觉Transformer如Swin的基础。8.3 训练技巧与超参数选择学习率调度Learning Rate ScheduleTransformer模型通常需要“热身Warm-up”。在训练初期使用一个较小的学习率线性增长然后再按余弦或线性方式衰减。这有助于稳定训练初期梯度较大的情况。标签平滑Label Smoothing在计算交叉熵损失时不直接使用0/1的硬标签而是使用一个平滑后的分布如0.9对应正确类别0.1均匀分给其他类别。这可以防止模型对训练数据过度自信起到正则化作用通常能提升泛化能力。梯度裁剪Gradient Clipping这是训练深度模型尤其是RNN和Transformer的标配。将梯度向量的范数限制在一个阈值内可以有效防止训练因梯度爆炸而崩溃。Dropout的放置除了在FFN中使用Dropout在注意力权重计算后、残差连接前也常使用Dropout即注意力Dropout这能防止模型对某些特定的注意力头过度依赖。8.4 解码策略如何从模型输出得到文本在推理阶段解码器需要根据编码器输出和已生成的部分逐个预测下一个词。常见的策略有贪婪搜索Greedy Search每一步都选择概率最高的词。速度快但容易生成重复、乏味的文本且可能错过全局更优的序列。束搜索Beam Search保留概率最高的k个候选序列束宽为k每一步都扩展这些序列最后选择总体概率最高的序列。这是机器翻译等任务的标配能在生成质量和效率间取得较好平衡。但束搜索倾向于生成更短、更安全的句子可能缺乏创造性。采样Sampling根据输出的概率分布随机采样下一个词。通过调节“温度Temperature”参数可以控制随机性温度高1分布更平生成更多样温度低1分布更尖锐生成更确定。Top-k采样和Top-p核采样是更先进的采样方法它们只从概率最高的k个词或累积概率达到p的词中采样避免了采样到极低概率的“胡言乱语”是当前大语言模型如ChatGPT对话生成的主流方法。理解这些实战细节能帮助你在真正动手时少走很多弯路。Transformer虽然强大但它也是一个对超参数、初始化和训练技巧非常敏感的模型。成功的应用往往离不开对这些“脏活累活”的细致处理。