Skip to content

Transformer

基于自注意力机制的序列建模架构，现代大语言模型的基础

Overview

Transformer 彻底改变了 NLP 和深度学习领域。辉少的面试笔记中详细描述了其计算流程，博客中也有相关文章。核心创新是完全抛弃循环结构，依赖自注意力机制并行捕捉长距离依赖。

Key Facts / Claims

计算流程

  1. 输入嵌入 + 位置编码：\(Input = Embedding(x) + PositionalEncoding(pos)\)
  2. 编码器：多头自注意力 + 前馈网络，每层后有 Add & Norm
  3. 解码器：带掩码的自注意力 + 交叉注意力 + 前馈网络
  4. 输出：Linear + Softmax 生成概率分布

核心公式

  • 自注意力：\(Attention(Q,K,V) = \text{softmax}(\frac{QK^T}{\sqrt{d_k}})V\)
  • 多头：\(MultiHead(Q,K,V) = Concat(head_1,...,head_h)W^O\)

训练 vs 推理

  • 训练：使用 Teacher Forcing + Causal Mask，一次性并行计算所有位置
  • 推理：严格自回归，逐 token 生成
  • Causal Mask 确保预测 \(x_t\) 时只能看到 \(x_{<t}\)

复杂度

  • 时间：\(O(n^2 \cdot d)\)（序列长度的平方）
  • 内存：\(O(n^2)\)（注意力矩阵）
  • [[flash-attention]] — 注意力的 IO 优化实现
  • [[infini-attention]] — 无限长序列的注意力方案
  • [[diffusion-model]] — Transformer 作为扩散模型的骨干
  • [[qwen-series]] — Qwen3 的 Hybrid Attention
  • [[deepseek]] — DeepSeek 的 MLA 注意力优化
  • [[external-blogs]] — 科学空间的 Transformer 分析

Counter-arguments & Data Gaps

  • 二次复杂度限制长序列处理（>8k token 时显存爆炸）
  • 位置编码的外推性（训练长度外泛化）仍是开放问题
  • 与 RNN、CNN 的混合架构（Mamba, RWKV）的竞争

Sources