1 Transformer 结构

Transformer是Google于2017年提出的神经网络架构，完全基于注意力机制建模序列全局依赖，是现代大模型的基础。它由编码器和解码器组成，每个块包含多头注意力层、前馈网络层、残差连接和层归一化。通过词嵌入和位置编码表示输入，自注意力机制建立词间依赖关系，残差连接和层归一化提升训练稳定性。本文详细介绍了各模块的功能和PyTorch实现代码，是理解大模型原理的重要基础。

• 注意力层

  采用多头注意力机制整合上下文语义。多头注意力通过并行运行多个独立注意力机制，从多维度捕获输入序列的信息。该机制允许直接建模序列中任意两个词之间的依赖关系，摒弃传统循环结构，有效解决长程依赖问题。

• 位置感知前馈网络层

  通过全连接层对序列中每个词的表示进行复杂的非线性变换。

• 残差连接

  对应图中的 Add 部分，是连接注意力层和前馈网络层输入与输出的直连通路，促进信息流动，提升模型优化效率。

• 层归一化

  对应图中的 Norm 部分，对注意力层和前馈网络层的输出序列进行归一化处理，进一步稳定模型优化过程。

接下来依次介绍各个模块的具体功能和实现代码：

2 嵌入表示层

在处理输入文本序列时，Transformer 首先会通过输入嵌入层（Input Embedding）将每个单词映射为对应的向量表示。与以往循环结构不同，Transformer 并不依赖顺序建模，因此序列中天然缺乏单词之间的相对位置信息。为了让模型在编码上下文语义之前能够感知词序，需要在词嵌入中加入位置编码（Positional Encoding）。

为了得到不同位置所对应的编码，Transformer 结构使用不同频率的正余弦函数，如下所示：

具体来说，序列中每个单词的位置都会生成一个位置向量，并与其词向量相加，再送入后续网络层。训练过程中，模型会逐渐学会利用这部分位置信息。

Transformer 使用不同频率的正弦和余弦函数来计算位置编码，其中 pos 表示单词在序列中的位置，2i 与 2i+1 代表奇数位置和偶数位置，d 表示编码的总维度。这样做有两个好处：

1. 正弦和余弦函数的取值范围在 [−1, +1]，与原始词嵌入相加后不会显著偏离，从而保留了单词的语义信息。
2. 由于三角函数的线性关系，第 pos + k 个位置的编码可以由第 pos 个位置的编码线性表示，这意味着位置编码中自然包含了单词之间的距离信息。

使用 PyTorch 实现的位置编码参考代码如下：

3 注意力层

自注意力机制（Self-Attention）是 Transformer 模型中的核心运算，广泛应用于源语言的编码和目标语言的生成过程。它的主要作用是建立序列中任意两个单词之间的依赖关系。

首先，输入的每个单词通过词向量嵌入与位置编码相加后得到表示 xi∈Rd（Rd为嵌入矩阵）。为了捕捉上下文的依赖信息，Transformer 在每个单词的表示中引入三个关键向量：查询（Query, Qi）、键（Key, Ki）和值（Value, Vi）。它们反映了当前单词在计算表示时，对序列中其他单词应当分配多少注意力权重。

由此可见，自注意力机制使模型能够识别不同输入部分的重要性，而不受距离的影响，从而能够捕捉输入句子中的长距离依赖关系和复杂关系。

使用 PyTorch 实现的自注意力层参考代码如下：

classMultiHeadAttention(nn.Module):

4 前馈层

前馈层接收自注意力子层的输出作为输入，并通过一个带有 ReLU 激活函数的两层全连接网络对输入进行更复杂的非线性变换。实验证明，这一非线性变换会对模型最终的性能产生重要的影响。

计算公式 为：

FFN(x) = ReLU(xW1 + b1)W2 + b2

其中(xW1 + b1)表示上一层前馈子层的计算结果。实验结果表明，增大前馈子层隐状态的维度有利于提高最终翻译结果的质量，因此，前馈子层隐状态的维度一般比自注意力子层要大。

classFeedForward(nn.Module):

5 残差连接与层归一化

由 Transformer 结构构建的网络通常规模庞大，编码器和解码器都由多层堆叠的基本 Transformer 块组成。由于每一层内部都包含复杂的非线性映射，训练过程往往比较困难。为提升训练的稳定性，研究人员在 Transformer 块中引入了残差连接（Residual Connection）和层归一化（Layer Normalization）两项技术。

其中，残差连接通过在子层的输入与输出之间添加一条直接的捷径，使得输入能够绕过复杂的非线性变换直接传递到输出。这一机制能够有效缓解深层网络中的梯度消失问题，从而保证训练的可优化性。

另一方面，层归一化用于保证每一层输入与输出的数值分布稳定在合理范围内。其计算方式为：

其中，μ和 σ 分别表示输入的均值和标准差，用于将数据归一化到均值为 0、方差为 1 的标准分布；α和 b是可学习参数，用于恢复模型所需的表示能力。层归一化不仅能减少训练中的数值不稳定，还能加快收敛速度。

classNorm(nn.Module):

以上就是transformer各模块的代码示意，可见pytorch封装度非常高，使用pytorch可以轻松实现。

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！！