提到现代自然语言处理（NLP），就绕不开 Transformer：它是一种基于自注意力机制的深度神经网络，由 Vaswani 团队在 2017 年通过论文《Attention Is All You Need》首次提出。最初为机器翻译等 Seq2Seq 任务设计的它，不仅颠覆了 NLP 领域的技术格局，更成为 GPT、BERT 等所有主流大型语言模型的 “技术基石”。

Transformer 简介

在 Transformer 出现之前，处理序列数据（如自然语言）的主流模型是循环神经网络（RNN）及其变体（如 LSTM、GRU）。这些模型通过顺序处理数据来捕捉上下文信息。

然而，顺序处理会导致两个主要问题

1. 无法并行计算：每个时间步的计算都依赖于前一个时间步的隐藏状态，这使得模型训练速度慢。
2. 长距离依赖问题：当序列很长时，早期的信息在多次传递后会逐渐丢失，模型难以捕捉到长距离的词语关系。

Transformer 最核心的创新在于它完全摒弃了传统的循环神经网络（RNN） 的循环结构，它完全基于自注意力机制来处理序列。这种设计使得模型可以并行计算整个序列（提高了效率），并且能够直接捕捉序列中任意两个位置的依赖关系（更好地捕捉序列中的长距离依赖关系），从而完美解决了 RNN 的上述两大痛点，成为了自然语言处理（NLP）领域的里程碑式算法。

Transformer 架构

一个典型的 Transformer 模型通常由编码器（Encoder）和解码器（Decoder）两部分组成，它们各自由多个相同的层堆叠而成。

编码器（Encoder）

编码器负责将输入序列（如一个英文句子）中的每个词，转换成一个包含丰富上下文信息的向量表示。每个编码器层都包含两个子层：

• 多头自注意力机制：捕捉输入序列内部词与词之间的依赖关系。
• 前馈神经网络：对自注意力机制的输出进行非线性变换。

每个子层之后都跟着一个残差连接和层归一化，以帮助梯度更好地反向传播。

解码器（Decoder）

解码器负责将编码器生成的上下文向量和已生成的输出序列（如部分中文翻译）作为输入，逐步生成完整的输出序列。

每个解码器层包含三个子层

• 带掩码的多头自注意力（Masked Multi-Head Attention）：在训练时，解码器需要生成下一个词。为了防止模型“偷看”到未来的词，在计算自注意力时，对未来的位置进行掩码（masking），将其注意力分数设置为一个极小的负数，使其在 Softmax 后变为 0。
• 编码器-解码器注意力（Encoder-Decoder Attention）：这一层使得解码器在生成每个词时，能够关注到整个输入序列（编码器的输出），从而更好地理解上下文。
• 前馈神经网络：与编码器中的前馈网络类似。

同样，每个子层之后也跟着残差连接和层归一化。

核心组件

1.输入嵌入

由于计算机无法直接理解文字，我们需要将每个词语或标记（token）转换成一个固定维度的向量，这个过程就是嵌入（Embedding）。

输入嵌入是将将离散的词语转换成连续的、稠密的向量表示。这些向量捕捉了词语的语义信息，例如，“国王”和“女王”的嵌入向量会比“国王”和“苹果”的向量更接近。

计算公式为

其中

• 是输入序列
• 是输入序列的嵌入表示

2.位置编码

由于 Transformer 模型不包含任何循环或卷积结构，模型本身无法感知词语在句子中的位置信息。

为了解决这个问题，Transformer 在输入词向量中加入了位置编码，通过在词向量中注入关于词在序列中位置的特定信息，使得模型能够理解词的顺序。

位置编码通常使用正弦和余弦函数来计算，其数学公式如下

其中

• 是序列中某个元素的位置
• i 是位置编码向量中的维度索引
• d 是嵌入向量的维度

然后将位置编码和输入嵌入相加形成最终的输入表示。

3.自注意力机制

自注意力机制是 Transformer 最核心的组件。它的基本思想是，在对序列中的某个词进行编码时，不仅要考虑它自身的词向量，还要考虑序列中所有其他词对它的影响。

其计算过程如下

计算步骤为

1. 生成查询、键和值矩阵

   首先，输入 X 经过三个不同的线性变换得到 Q、K 和 V 矩阵

2. 计算注意力得分

   将 矩阵与 矩阵的转置相乘，得到一个注意力分数矩阵。这个分数衡量了每个词与其他所有词之间的关联度。

3. 缩放

   为了避免点积结果过大导致梯度消失问题，我们将注意力得分除以

4. 归一化

   对缩放后的注意力得分应用 Softmax 函数，得到注意力权重，它们表示每个值向量对最终输出的贡献程度。

5. 加权求和

   将注意力权重与对应的值向量 相乘，然后求和，得到最终的注意力输出。

4.多头注意力机制

为了让模型能够从不同的表示子空间中学习信息，Transformer 引入了多头注意力机制。

具体实现为

1. 设多头数为 h，每个头有自己的线性变换矩阵

2. 对输入执行 h 次独立的自注意力机制

3. 将所有头的输出拼接

4. 线性变换

   对拼接后的结果进行最终的线性变换，得到最终的输出

   其中， 是线性变换矩阵

5.前馈网络

在自注意力层之后，每个位置的输出都会经过一个前馈网络。

前馈网络对每个位置的向量独立进行处理，其目的是增加模型的非线性，并进一步对注意力层的输出进行复杂的特征转换。

前馈网络通常由两层全连接网络和一个 ReLU 激活函数组成。

公式如下

• x 是输入向量
• 是权重矩阵。
• 是偏置向量。

6.残差连接与层归一化

为了解决深度网络训练中的梯度消失问题，并加快训练速度，Transformer 引入了残差连接和层归一化。

残差连接

在每个子层（自注意力层和前馈网络）的输出与输入之间添加一个“快捷连接”（shortcut connection）。这使得信息可以在网络中更顺畅地流动。

其公式为

• x 是输入向量
• 是自注意力或前馈网络的输出

层归一化

在残差连接之后，对每个样本的特征维度进行归一化。

公式为

• 是输入的均值和方差。
• 是可学习的缩放和偏移参数。

7.掩蔽多头自注意力机制

在编码器中，自注意力机制可以毫无限制地关注序列中的所有词语，因为编码器需要理解整个输入序列的上下文。

然而，在解码器中，我们的任务是生成一个序列。在生成第 t 个词语时，模型应该只能看到前面已经生成的 1,…,t−1 个词语，而不能偷看到第 t+1 个或更后面的词语。这就好比你在写一句话时，不能事先知道你接下来要写什么词语。

掩蔽多头自注意力机制就是为了实现这个目的而设计的。它的核心思想是在自注意力计算过程中，阻止模型关注未来的词语。

具体来说，在计算注意力分数时引入了掩蔽矩阵 ，对所有未来位置设置极小值（通常是负无穷，在经过 后会变为0，因此未来位置的注意力权重也变成了0，这确保了在加权求和时，模型不会考虑未来词语的 V 向量）。

数学公式为

其中，M 为遮掩矩阵

8.编码器-解码器多头注意力

编码器-解码器多头注意力是解码器中另一个关键组件，用于将解码器中的查询向量 (Query) 与编码器输出的键 (Key) 和值 (Value) 向量交互，从而动态提取输入序列的相关信息。

通过这种方式，解码器可以根据编码器提供的上下文信息，有选择性地关注源序列中最重要的部分，从而生成更准确的目标序列。这使得翻译模型能够更好地理解源语言的含义。

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！