残差连接（Residual Connection）是Transformer中的一个关键设计，用于解决深层网络训练时的梯度消失问题，同时帮助模型保留原始输入信息。它的操作非常简单，但效果显著。以下是通俗易懂的解释：

1. 残差连接的核心操作

一句话总结：
把当前层的输入直接加到当前层的输出上，形成“输入 + 输出”的短路路径。

数学公式：
$$\text{输出}=\text{输入}x+\text{当前层的变换}(x)$$
（其中“当前层的变换”可能是自注意力、交叉注意力或前馈网络）

2. 具体步骤（以解码器的自注意力层为例）

假设输入是一个向量 ( x )（已包含词嵌入和位置编码），经过自注意力层后的输出为 $$\text{SelfAttn}(x)$$

1. 保留原始输入：将输入 ( x ) 复制一份。
2. 叠加变换结果：将自注意力的输出 $\text{SelfAttn}(x)$与原始输入 ( x ) 逐元素相加。
   $$\text{残差输出}=x+\text{SelfAttn}(x)$$
3. 层归一化：对相加后的结果做归一化（LayerNorm）。
   $$\text{最终输出}=\text{LayerNorm}(x+\text{SelfAttn}(x))$$

3. 直观类比

想象你正在修改一篇文章：

• 原始输入（x）：初稿的文本。
• 当前层的变换（SelfAttn(x)）：你写的修改建议（比如添加一些描述）。
• 残差连接：把修改建议直接“贴”到初稿上（初稿 + 修改），而不是完全重写。
• 层归一化：调整合并后的格式，使其更规范。

关键点：无论你修改多少遍，初稿的内容始终保留，避免彻底丢失原始信息。

4. 为什么需要残差连接？

解决的问题

• 梯度消失：深层网络中，反向传播时梯度可能逐层衰减，导致浅层参数无法更新。残差连接提供了直通路径，让梯度能直接回传。
• 信息丢失：传统网络可能过度修改输入，残差连接强制模型只学习“需要补充或调整的部分”（即残差）。

对比实验

• 不带残差连接：Transformer在6层以上时，训练损失难以收敛。
• 带残差连接：即使堆叠100层，模型仍能稳定训练（如GPT-3）。

5. 代码示例（PyTorch风格）

import torch
import torch.nn as nn

class DecoderLayer(nn.Module):
    def __init__(self, d_model):
        super().__init__()
        self.self_attn = MultiHeadAttention(d_model)  # 自注意力层
        self.norm = nn.LayerNorm(d_model)           # 层归一化

    def forward(self, x):
        # 残差连接：输入x + 自注意力输出
        residual = x
        x = self.self_attn(x)
        x = self.norm(residual + x)  # 先相加，再归一化
        return x

6. 残差连接的变体

• 经典残差：输出 = 输入 + 变换(输入)（Transformer采用）。
• 预激活残差：先归一化再变换（如ResNet v2）。
• 自适应残差：动态调整残差权重（如门控机制）。

7. 总结

• 操作：输入与输出直接相加。
• 目的：保留原始信息，缓解梯度消失，稳定深层训练。
• 效果：让Transformer可以堆叠数十层甚至上百层，仍能高效学习。

类比记忆：
残差连接就像“写论文时保留初稿，每次修改只添加批注”——既避免推倒重来，又能逐步完善。