Transformer架构介绍+从零搭建预训练模型项目

Transformer架构详解

1. 架构概述

Transformer是一种基于自注意力机制的神经网络架构，由Vaswani等人在2017年的论文《Attention Is All You Need》中首次提出。它彻底改变了自然语言处理领域，逐步取代了传统的RNN和CNN架构。

主要特点

• 完全基于注意力机制：摒弃了传统的循环和卷积结构
• 并行计算能力强：克服了RNN的顺序计算限制
• 长距离依赖捕捉能力：通过自注意力机制有效捕捉任意距离的依赖关系
• 模块化设计：编码器-解码器结构清晰，易于扩展

2. 核心组件详解

2.1 编码器(Encoder)

结构组成

1. 输入嵌入层(Input Embedding)

   • 将输入的token转换为稠密向量表示
   • 通常维度为512(d_model)或更大
   • 包含可学习的参数矩阵

2. 位置编码(Positional Encoding)

   • 解决Transformer缺少位置信息的问题
   • 使用正弦和余弦函数的固定模式：

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

   • 与输入嵌入相加而非拼接

3. 编码器层堆叠(Encoder Layers)

   • 通常6层或更多(原始论文使用6层)
   • 每层包含两个子层：
     • 多头自注意力机制(Multi-Head Self-Attention)
     • 前馈神经网络(Feed Forward Network)
   • 每个子层都有残差连接和层归一化

自注意力机制细节

• 计算过程：

  Attention(Q,K,V) = softmax(QK^T/√d_k)V
  

  • Q(Query), K(Key), V(Value)来自同一输入
  • √d_k缩放防止点积过大导致梯度消失

• 多头注意力：

  • 将Q,K,V投影到h个不同子空间(h通常为8)
  • 并行计算h个注意力头
  • 拼接所有头的结果并通过线性变换

2.2 解码器(Decoder)

结构组成

1. 输出嵌入层(Output Embedding)

   • 与编码器嵌入层类似但独立
   • 通常共享编码器嵌入层的权重(可选)

2. 位置编码

   • 与编码器使用相同的实现方式

3. 解码器层堆叠(Decoder Layers)

   • 通常6层(与编码器层数相同)
   • 每层包含三个子层：
     • 掩码多头自注意力(Masked Multi-Head Self-Attention)
     • 编码器-解码器注意力(Encoder-Decoder Attention)
     • 前馈神经网络
   • 每个子层都有残差连接和层归一化

关键机制

• 掩码自注意力：

  • 防止解码器"偷看"未来信息
  • 通过添加负无穷掩码(-∞)实现
  • 确保位置i只能关注位置≤i的token

• 编码器-解码器注意力：

  • Q来自解码器前一层的输出
  • K,V来自编码器的最终输出
  • 允许解码器关注输入序列的相关部分

2.3 词表与分词器(Tokenizer)

主流分词方法

1. Byte Pair Encoding (BPE)

   • 通过合并频繁出现的字节对逐步构建词表
   • 平衡词表大小与token序列长度
   • 被GPT系列模型采用

2. WordPiece

   • 类似BPE但基于概率合并
   • 被BERT等模型采用

3. SentencePiece

   • 直接从原始文本训练
   • 支持Unicode字符级处理
   • 不依赖预处理分词

词表设计考量

• 大小通常在30k-100k之间
• 包含特殊token([CLS],[SEP],[MASK]等)
• 处理未知token的方式(如[UNK]或字节级回退)

2.4 位置编码的演进

1. 原始正弦编码：

   • 固定模式，无需学习
   • 理论上可外推到任意长度

2. 可学习位置编码：

   • 将位置视为可学习的嵌入
   • 被BERT等模型采用
   • 但受限于训练时见过的最大长度

3. 相对位置编码：

   • 关注token之间的相对距离而非绝对位置
   • 多种变体(T5, Transformer-XL等)
   • 更好的长度外推能力

4. 旋转位置编码(RoPE)：

   • 通过旋转矩阵注入位置信息
   • 被LLaMA等最新模型采用
   • 保持相对位置关系的线性特性

3. 训练机制

3.1 优化目标

1. 语言建模目标：

   • 自回归模型(GPT风格)：最大化下一个token的似然
   • 自编码模型(BERT风格)：预测被掩码的token

2. 损失函数：

   • 交叉熵损失(Cross-Entropy Loss)
   • 可选项：标签平滑(Label Smoothing)

3.2 优化策略

1. Adam优化器变种：

   • 原始Transformer使用Adam(β1=0.9, β2=0.98, ε=1e-9)
   • 现代变种：AdamW(解耦权重衰减)

2. 学习率调度：

   • 预热学习率(Warmup)：

     lrate = d_model^-0.5 * min(step_num^-0.5, step_num*warmup_steps^-1.5)
     

   • 余弦衰减
   • 线性衰减

3. 正则化技术：

   • Dropout(原始论文使用0.1)
   • 权重衰减(通常0.01)
   • 梯度裁剪(通常1.0)

4. 架构演进与变体

4.1 经典变体

1. BERT (2018)

   • 仅使用编码器
   • 双向自注意力
   • 掩码语言建模目标

2. GPT (2018)

   • 仅使用解码器(带掩码)
   • 自回归语言建模

3. T5 (2019)

   • 编码器-解码器完整结构
   • 将所有任务统一为文本到文本格式

4.2 效率优化方向

1. 稀疏注意力：

   • Longformer(2020)：局部+全局注意力
   • BigBird(2020)：随机+局部+全局注意力

2. 混合架构：

   • FNet(2021)：用傅里叶变换替代注意力
   • Hyena(2023)：结合CNN与注意力

3. 状态空间模型：

   • Mamba(2023)：选择性状态空间

4.3 现代大语言模型架构

1. GPT-3/4：

   • 纯解码器架构
   • 旋转位置编码
   • 极深(96层以上)和极宽(12288维度)

2. LLaMA：

   • RMSNorm替代LayerNorm
   • SwiGLU激活函数
   • 旋转位置编码

3. PaLM：

   • 并行注意力与前馈计算
   • 共享QKV投影

5. 实践建议

5.1 超参数选择

1. 维度关系：

   • d_model(模型维度)：通常512-12288
   • d_ff(前馈层维度)：通常4*d_model
   • h(注意力头数)：通常d_model/64

2. 深度选择：

   • 基础模型：6-12层
   • 大型模型：24-96层
   • 极深模型：100+层

5.2 训练技巧

1. 初始化策略：

   • 注意力层：Xavier/Glorot初始化
   • 残差连接：初始化为1/√N(N为层数)

2. 精度选择：

   • FP32：传统选择
   • FP16/BF16：现代标准
   • 混合精度训练：常用实践

3. 批处理策略：

   • 动态批处理
   • 梯度累积

6. 关键数学原理

6.1 注意力机制数学

1. 缩放点积注意力：

   Attention(Q,K,V) = softmax(QK^T/√d_k)V
   

   • Q ∈ ℝ^{n×d_k}, K ∈ ℝ^{m×d_k}, V ∈ ℝ^{m×d_v}
   • 计算复杂度：O(nmd_k + nmd_v)

2. 多头注意力：

   MultiHead(Q,K,V) = Concat(head_1,...,head_h)W^O
   

   其中：

   head_i = Attention(QW_i^Q, KW_i^K, VW_i^V)
   

6.2 前馈网络

FFN(x) = max(0, xW_1 + b_1)W_2 + b_2

• 通常d_ff = 4*d_model
• 现代变体使用GELU或SwiGLU

6.3 层归一化

LayerNorm(x) = γ ⊙ (x - μ)/σ + β

• μ,σ为均值和标准差
• γ,β为可学习参数

7. 典型应用场景

1. 文本生成：

   • 自回归采样策略(贪心、beam search、top-k/p采样)
   • 温度控制

2. 机器翻译：

   • 编码器处理源语言
   • 解码器生成目标语言

3. 文本分类：

   • 使用[CLS]token或平均池化
   • 接分类头

4. 问答系统：

   • 编码问题与上下文
   • 预测答案起始/结束位置

项目实例

博客园：https://home.cnblogs.com/u/safjh
项目实例：https://github.com/toke648/SimpleLLM

一个基于Transformer架构实现的简易LLM大语言模型，完全自定义Transformer，通过大量的问答数据训练实现，支持自定义训练流程以及超参数等

从最基础的训练词表开始到构建Transformer、训练模型、推理，完全从代码上完整的大模型训练全流程

详细介绍了训练流程以及操作方法，并且持续更新

感兴趣的点个star，Ciallo～(∠・ω< )⌒★
欢迎贡献代码

相关文章

Attention Is All You Need：https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
Attention Is All You Need 解读：https://blog.csdn.net/chengyq116/article/details/106065576/
Attention as Energy Minimization Visualizing Energy Landscapes（大佬博客）：https://mcbal.github.io/post/attention-as-energy-minimization-visualizing-energy-landscapes/
…
（正在施工）