第二章：Transformer 架构原理¶

2.1 Transformer 之前：RNN 的两个致命缺陷¶

在 Transformer 出现之前，处理序列数据的主流是 RNN 及其变体（LSTM、GRU）。它的问题有两个，而且都是致命的。

2.1.1 顺序计算，无法并行¶

RNN 从左到右逐个处理每个词，第 \(N\) 步必须等第 \(N-1\) 步算完才能开始：

flowchart LR
    X1["我"] --> H1[h1]
    H1 --> H2[h2]
    X2["喜"] --> H2
    H2 --> H3[h3]
    X3["欢"] --> H3
    H3 --> H4[h4]
    X4["吃"] --> H4

    style H1 fill:#fce8e6
    style H2 fill:#fce8e6
    style H3 fill:#fce8e6
    style H4 fill:#fce8e6

这种依赖链完全用不上 GPU 的并行计算能力，训练大型 RNN 极慢。

2.1.2 长距离梯度消失¶

序列很长时（比如 1000 个词），RNN 理论上能记住早期信息，但实践中梯度在反向传播时会指数级衰减，网络很难学到「第 1 个词和第 800 个词之间的关系」。

LSTM 通过门控机制有所缓解，但根本问题没解决。

2017 年 Google 在《Attention Is All You Need》里提出 Transformer，用一个全新架构一举解决了这两个问题。

2.2 Self-Attention 的核心直觉¶

核心思路：让序列中每个 token 都能直接关注任意其他位置的 token，计算出「我和其他位置的相关程度」，再按相关程度加权聚合其他位置的信息。

三个关键向量：

向量	含义
Q（Query，查询）	我想找什么
K（Key，键）	我有什么标签
V（Value，值）	我的实际内容

图书馆检索类比：你有一个搜索关键词（Q），图书馆里每本书都有标签（K）和内容（V）。注意力机制就是用关键词去匹配每本书的标签算出相似度分数，再按分数把书的内容加权求和。

2.3 Q/K/V 是怎么得到的¶

很多人讲 Self-Attention 会卡在「Q/K/V 从哪儿冒出来的」这一步。

它们不是凭空生成的，而是把输入 embedding 通过三个独立的线性投影矩阵算出来：

# 输入 X 形状 (序列长度 N, embedding 维度 d_model)
# W_Q, W_K, W_V 都是可训练参数矩阵，形状 (d_model, d_k)

Q = X @ W_Q     # (N, d_k)  每个 token 都有自己的 Query 向量
K = X @ W_K     # (N, d_k)  每个 token 都有自己的 Key 向量
V = X @ W_V     # (N, d_v)  每个 token 都有自己的 Value 向量

三个关键点：

2.3.1 Q/K/V 都来自同一个输入 X¶

输入既要扮演提问者（Q），也要扮演被查者（K + V）——这就是「自注意力」里那个「自」字的含义。

区别于 Encoder-Decoder 架构里的 Cross-Attention：那里 Q 来自一边，K/V 来自另一边。

2.3.2 三个矩阵是独立学习的¶

这个细节容易被忽略但很重要。

如果让 Q/K/V 都直接等于 X 不做变换，模型就没法学到「该从什么角度提问」「该用什么标签匹配」「该返回什么内容」这种细致差异。三个独立投影给了模型 3 倍的自由度去学习角度上的差异，模型容量大幅提升。

2.3.3 投影维度通常是 d_model / H¶

\(H\) 是头数。比如 \(d_{model}=512\)、\(H=8\) 时，\(d_k = 64\)。

这样做的目的是让多头的总参数量和单头版本基本一致，不增加额外计算开销。

准备好之后代入注意力公式：

\[ \mathrm{Attention}(Q, K, V) = \mathrm{softmax}\!\left(\frac{QK^{T}}{\sqrt{d_k}}\right) V \]

2.4 为什么要除以 √d_k¶

这一步叫 Scaled Dot-Product Attention（缩放点积注意力）。这个 \(\sqrt{d_k}\) 不是随便加的。

2.4.1 不除会发生什么¶

假设 Q 和 K 的每一维都是均值 0、方差 1 的随机数，那么点积 \(Q \cdot K\) 是 \(d_k\) 个数相加：

\[ \mathrm{Var}(Q \cdot K) = d_k \]

\(d_k = 128\) 时标准差是 \(\sqrt{128} \approx 11.3\)，意味着点积数值会散布在 \(\pm 30\) 这种很大的范围。

flowchart TB
    A["点积方差 = d_k = 128<br/>数值散布在 ±30"] --> B["过 softmax"]
    B --> C["最大值对应概率 ≈ 1<br/>其他 ≈ 0<br/>输出几乎变成 one-hot"]
    C --> D["softmax 梯度含 p(1-p) 项<br/>p 接近 0 或 1 时梯度都接近 0"]
    D --> E["整个 Attention 层的<br/>反向传播信号被压扁<br/>模型训不起来"]

    style C fill:#fef7e0
    style E fill:#fce8e6

除以 \(\sqrt{d_k}\) 之后方差被压回 1，softmax 输出分布合理，梯度能正常传播。

2.4.2 能不能用别的方案¶

业界确实尝试过几种替代：

方案	问题
用 Layer Norm 归一化（Pre-LN）	严格说是「在 Attention 之前做归一化」，不是真的替换 \(\sqrt{d_k}\)
学一个可学习的 scaling 标量	实测效果和 \(\sqrt{d_k}\) 差不多，但多了参数，不如固定常数简洁
直接限制 \(d_k\) 很小	等于直接限制模型容量，不划算

所有主流实现（GPT、Llama、Qwen）都用 \(\sqrt{d_k}\)，八年没改。 这是一个「简单且数学上合理」的选择。

2.4.3 回到主线：两个问题一起解决了¶

拿到稳定的注意力权重后对 V 加权求和，就是 Self-Attention 的输出。这个过程：

对所有位置的计算可以并行 → 解决了 RNN 的并行问题；
每对位置之间都有直接连接（通过注意力分数）→ 不存在长距离信息衰减。

代价是计算复杂度从 RNN 的 \(O(N)\) 变成了 \(O(N^2)\)——这是后来所有长上下文优化工作要对付的根源，第三章会展开。

2.5 Multi-Head Attention：多角度观察¶

单组 Q/K/V 只能学到一种关联关系，但语言中的关联是多维度的：

关联类型	例子
主谓关系	「我」↔「吃」
宾动关系	「苹果」↔「吃」
指代关系	「苹果」↔ 前文的「苹果树」

Multi-Head Attention 把 Q/K/V 投影到多个不同子空间（比如 8 个或 32 个头），每组独立计算注意力，最后把所有头的输出拼接。

\[ \mathrm{MultiHead}(Q,K,V) = \mathrm{Concat}(\mathrm{head}_1, \ldots, \mathrm{head}_H) W^{O} \]

每个头可以专注捕捉不同类型的语言关联，整体表达能力更强。

2.6 位置编码：注入顺序信息¶

Self-Attention 有一个天然缺陷：它的计算是对称的，不考虑词的顺序。

「我打你」和「你打我」对 Attention 来说可能得到一样的结果——它只看哪些词相关，不看谁在前谁在后。

所以需要显式给每个 token 注入位置信息。这里先记住结论：Transformer 要靠位置编码感知词序。具体方案有 sin/cos、RoPE、ALiBi 等多种，第四章会展开讲。

2.7 前馈网络（FFN）的作用¶

每个 Transformer 块里除了注意力层，还有一个前馈网络——两层全连接加一个激活函数：

\[ \mathrm{FFN}(x) = W_2 \cdot \sigma(W_1 x + b_1) + b_2 \]

它对每个位置独立做非线性变换。两个作用：

补充非线性——注意力层本质上是线性加权，FFN 引入非线性；
储存事实知识——研究表明 FFN 层储存了大量事实知识，可以理解为模型的「记忆仓库」。

第二点是从可解释性角度看 Transformer 的一个重要视角。它也解释了为什么 FFN 通常占了模型参数的大头（隐藏层维度一般是 \(4 \times d_{model}\)）。

2.8 三种架构¶

理解了 Attention 机制，就能解释三种架构的区别：

flowchart TB
    subgraph ENC["Encoder-only · BERT"]
        E["每个 token 双向关注所有 token<br/>无遮蔽<br/>预训练目标：MLM"]
    end
    subgraph DEC["Decoder-only · GPT / Claude / Qwen"]
        D["因果掩码<br/>每个 token 只能看前面<br/>预训练目标：CLM"]
    end
    subgraph ED["Encoder-Decoder · T5 / BART"]
        ED1["Encoder 双向理解输入"]
        ED2["Decoder 单向生成输出"]
        ED1 -->|Cross-Attention| ED2
    end

    style DEC fill:#e6f4ea

架构	注意力方式	预训练目标	擅长
Encoder-only	双向，无遮蔽	MLM	理解任务：分类、NER、语义相似度
Decoder-only	因果掩码，只看前面	CLM（预测下一个 token）	生成任务，现在几乎所有 LLM
Encoder-Decoder	Encoder 双向 + Decoder 单向 + Cross-Attention	较复杂	输入输出是不同文本：翻译、摘要

因果掩码的实现很简单：在 softmax 之前把注意力分数矩阵的上三角置为负无穷，这样每个位置对未来位置的注意力权重就变成 0。

2.9 为什么 Decoder-only 赢了¶

Decoder-only 胜出，主要是三个工程原因：

2.9.1 目标极其统一¶

所有类型的任务——问答、写作、推理、代码生成、翻译——都能统一表达成「续写」这一件事。不需要区分「这是理解任务」还是「那是生成任务」，一套训练目标搞定一切。

2.9.2 可以直接在海量无标注文本上自监督训练¶

互联网上的公开文本天然可以构造成训练样本，不需要逐条人工标注。

这一点 BERT 的 MLM 做不到吗？ MLM 也是无标注的，但训练效率不如 CLM：

MLM 每个样本只有 15% 的位置产生训练信号，CLM 是每个位置都产生信号；
MLM 引入了训练/推理不一致（训练时有 [MASK] 标记，推理时没有）。

这两点让 CLM 更适合 scale up。

2.9.3 规模越大，涌现的能力越强¶

模型从「会续写文本」开始，逐渐学会数学、推理、代码、跨语言迁移——这些都是这个简单目标在足够大规模下自然涌现的（详见第七章）。

2.9.4 但另外两种架构没有消失¶

Encoder-only 在检索、分类、嵌入场景仍是主力（RAG 的 embedding 模型和 reranker 大量是 Encoder 架构，见 RAG 主题）；
Encoder-Decoder 在翻译、摘要这类明确的 seq2seq 任务上仍有价值。

结论应该表述为：如果目标是做一个通用对话与生成模型，Decoder-only 更容易 scale up，也更符合「一个模型续写所有任务」的统一接口——而不是「另外两种被淘汰了」。

2.10 常见错误¶

2.10.1 说不清 Q/K/V 从哪来¶

它们是同一个输入 X 经过三个独立可训练矩阵投影得到的。能说出「三个矩阵独立是为了给模型学习不同角度的自由度」，就比一般答案深一层。

2.10.2 说不出 √d_k 的动机¶

不是「归一化一下」这么笼统。要说出完整链条：\(d_k\) 大 → 点积方差大 → softmax 趋近 one-hot → 梯度含 \(p(1-p)\) 项趋近 0 → 训不起来。

2.10.3 忽略 Attention 的 O(N²) 代价¶

Self-Attention 解决了并行和长距离依赖，但代价是复杂度从 \(O(N)\) 变成 \(O(N^2)\)。这是后续所有长上下文优化的根源。

2.10.4 认为 Multi-Head 只是「多算几遍」¶

关键在于每个头投影到不同子空间，捕捉不同类型的关联。而且 \(d_k = d_{model}/H\) 的设计让总参数量与单头基本持平，不是简单堆算力。

2.10.5 忘了位置编码的必要性¶

Self-Attention 本身对顺序不敏感。忘了这一点，就解释不了为什么需要位置编码这个额外模块。

2.10.6 把 FFN 当成无关紧要的配角¶

它占了参数大头，而且研究表明它储存了大量事实知识。能提到「FFN 是模型的记忆仓库」是加分点。

2.10.7 说「Encoder-only 被淘汰了」¶

RAG 里的 embedding 模型和 reranker 大量还是 Encoder 架构。正确表述是「在通用生成场景 Decoder-only 胜出」，而不是另外两种消失了。

2.11 本章总结¶

Transformer 的动机是 RNN 的两个致命缺陷：顺序计算无法并行、长距离梯度消失；
Self-Attention 让每个 token 直接关注任意位置，用 Q 匹配 K 算分数，按分数加权聚合 V；
Q/K/V 来自同一个 X 经三个独立矩阵投影，「自」字的含义就在这里，独立矩阵提供学习角度差异的自由度；
除以 \(\sqrt{d_k}\) 是为了把点积方差压回 1，否则 softmax 趋近 one-hot 导致梯度消失；
代价是复杂度 \(O(N^2)\)，这是后续长上下文优化的根源；
Multi-Head 让不同头捕捉不同类型的语言关联，\(d_k = d_{model}/H\) 保证参数量不膨胀；
Attention 对顺序不敏感，所以必须显式注入位置编码；
FFN 提供非线性并储存事实知识，是模型的记忆仓库；
Decoder-only 胜出的三个原因：目标统一、可在无标注数据上高效自监督、规模化后能力涌现；
另外两种架构仍有价值，Encoder-only 在检索与嵌入场景是主力。