Transformer架构深度解析：从基础原理到实现细节

1次阅读

共计 3159 个字符，预计需要花费 8 分钟才能阅读完成。

在自然语言处理（NLP）领域，Transformer 架构的出现彻底改变了序列建模的方式。传统的 RNN 和 LSTM 模型虽然能够处理序列数据，但存在梯度消失和并行计算困难等问题。Transformer 通过自注意力机制（Self-Attention）实现了对序列数据的全局建模，极大地提升了模型性能和训练效率。

自注意力机制是 Transformer 的核心组件，它允许模型在处理每个词时，动态地关注输入序列中的所有其他词。其数学原理如下：

首先，将输入嵌入向量通过三个不同的线性变换得到查询（Query）、键（Key）和值（Value）矩阵。
计算注意力分数：将 Query 与 Key 的点积除以√d_k（d_k 是 Key 的维度），然后应用 softmax 函数得到权重。
最后将权重与 Value 矩阵相乘，得到自注意力的输出。

数学公式表示为：
Attention(Q,K,V) = softmax(QK^T/√d_k)V

由于 Transformer 不包含循环结构，需要额外的位置信息来编码词在序列中的位置。位置编码使用正弦和余弦函数生成：

PE(pos,2i) = sin(pos/10000^(2i/d_model))
PE(pos,2i+1) = cos(pos/10000^(2i/d_model))

其中 pos 是位置，i 是维度。这种编码方式可以学习到相对位置关系，并且可以处理比训练时更长的序列。

FFN 由两个线性变换和一个 ReLU 激活函数组成：

FFN(x) = max(0,xW1 + b1)W2 + b2

这个简单的结构为模型提供了额外的非线性变换能力。

Transformer 在每个子层（自注意力、FFN）都使用了残差连接和层归一化：

残差连接帮助缓解深度网络的梯度消失问题
层归一化稳定了训练过程，加速收敛

import torch
import torch.nn as nn
import math

class MultiHeadAttention(nn.Module):
    def __init__(self, d_model, num_heads):
        super().__init__()
        self.d_model = d_model
        self.num_heads = num_heads
        self.d_k = d_model // num_heads

        self.W_q = nn.Linear(d_model, d_model)
        self.W_k = nn.Linear(d_model, d_model)
        self.W_v = nn.Linear(d_model, d_model)
        self.W_o = nn.Linear(d_model, d_model)

    def forward(self, x):
        batch_size = x.size(0)

        # 线性变换并分头
        Q = self.W_q(x).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)
        K = self.W_k(x).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)
        V = self.W_v(x).view(batch_size, -1, self.num_heads, self.d_k).transpose(1, 2)

        # 计算注意力分数
        scores = torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(self.d_k)
        attention = torch.softmax(scores, dim=-1)

        # 计算输出
        output = torch.matmul(attention, V)
        output = output.transpose(1, 2).contiguous().view(batch_size, -1, self.d_model)
        return self.W_o(output)

class PositionalEncoding(nn.Module):
    def __init__(self, d_model, max_len=5000):
        super().__init__()

        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
        div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))

        pe[:, 0::2] = torch.sin(position * div_term)
        pe[:, 1::2] = torch.cos(position * div_term)
        pe = pe.unsqueeze(0)
        self.register_buffer('pe', pe)

    def forward(self, x):
        return x + self.pe[:, :x.size(1)]

class TransformerBlock(nn.Module):
    def __init__(self, d_model, num_heads, ff_dim, dropout=0.1):
        super().__init__()

        self.attention = MultiHeadAttention(d_model, num_heads)
        self.norm1 = nn.LayerNorm(d_model)
        self.norm2 = nn.LayerNorm(d_model)
        self.ffn = nn.Sequential(nn.Linear(d_model, ff_dim),
            nn.ReLU(),
            nn.Linear(ff_dim, d_model)
        )
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        # 自注意力 + 残差连接 + 层归一化
        attn_output = self.attention(x)
        x = self.norm1(x + self.dropout(attn_output))

        # 前馈网络 + 残差连接 + 层归一化
        ffn_output = self.ffn(x)
        x = self.norm2(x + self.dropout(ffn_output))
        return x