簡介這份PPT課件面向NLP入門與進階學習者系統(tǒng)講解Transformer模型及其論文《Attention is all you need》的核心思想。內(nèi)容從傳統(tǒng)Seq2Seq與RNN的并行計算瓶頸切入引出Attention機制再對Transformer的編碼器-解碼器架構做宏觀與微觀雙重解讀逐步拆解自注意力中Q、K、V的生成、點積縮放、softmax加權求和等完整流程并延伸至多頭注意力、位置編碼、Padding Mask、殘差連接與LayerNorm等關鍵細節(jié)最后補充訓練階段要點與推理階段的自回歸解碼策略。資源為單個pptx文件壓縮包約17.08MB結構清晰、圖文并茂適合對照論文逐節(jié)研讀。目前已有3548人學習可作為課堂講義或自學筆記幫助讀者建立從Seq2Seq到Transformer的完整知識脈絡并為后續(xù)理解BERT、GPT等預訓練模型打下基礎。1. 從一份 PPT 到能跑通的 Transformer先搞清楚它到底在算什么很多人第一次接觸 Transformer是在一份名為「Transformer詳解.pptx」的分享材料里?；脽羝袭嬛?Encoder-Decoder 堆疊、多頭注意力方框、位置編碼的正余弦公式看完覺得懂了合上電腦卻寫不出一行能跑的代碼。問題不在數(shù)學而在于 PPT 把「數(shù)據(jù)怎么流、張量怎么變、梯度怎么回傳」這三件事壓縮成了靜態(tài)圖。Transformer 的核心只有一句話用自注意力替代循環(huán)讓序列中任意兩個位置直接建立聯(lián)系。它解決的是 RNN 長距離依賴衰減、CNN 感受野受限的問題適合機器翻譯、文本分類、圖像分類ViT、時間序列回歸等場景。適合誰讀寫過 PyTorch 基礎層、能看懂矩陣乘法、想從「看得懂圖」跨到「手撕得出來」的工程師。接下來按「原理立住 → 最小實現(xiàn) → 訓練實戰(zhàn) → 排錯進階」推一遍每步都給可復現(xiàn)的代碼和參數(shù)。2. Transformer 架構拆解編碼器層數(shù)、注意力頭數(shù)與位置編碼怎么定2.1 編碼器到底有多少層這個數(shù)字從哪來熱搜里常出現(xiàn)「transformer 編碼部分有多少編碼器呢」。答案不是固定的原始論文《Attention Is All You Need》里base 模型編碼器和解碼器各堆 6 層big 模型各 6 層但維度更大。層數(shù)N是超參不是架構常量。層數(shù)越多感受野和表達能力越強但顯存和訓練時間線性上漲。常見做法是小數(shù)據(jù)集分類任務用 24 層機器翻譯用 6 層大規(guī)模預訓練用 1224 層。判斷依據(jù)是任務復雜度和數(shù)據(jù)量不是「越多越好」。層數(shù)堆過頭小數(shù)據(jù)上直接過擬合驗證集 loss 先降后升。2.2 多頭注意力頭數(shù)、維度與縮放因子多頭注意力把d_model拆成h個頭每個頭維度d_k d_model / h。原始論文 base 用d_model512, h8, d_k64。縮放因子1/sqrt(d_k)是為了防止點積過大導致 softmax 梯度消失。import torch import torch.nn as nn import math class MultiHeadAttention(nn.Module): def __init__(self, d_model512, num_heads8): super().__init__() assert d_model % num_heads 0, d_model 必須能被 num_heads 整除 self.d_model d_model self.num_heads num_heads self.d_k d_model // num_heads # Q/K/V 和輸出各一個線性層一次性算完所有頭 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, q, k, v, maskNone): batch q.size(0) # 投影后拆頭: [B, L, d_model] - [B, h, L, d_k] Q self.w_q(q).view(batch, -1, self.num_heads, self.d_k).transpose(1, 2) K self.w_k(k).view(batch, -1, self.num_heads, self.d_k).transpose(1, 2) V self.w_v(v).view(batch, -1, self.num_heads, self.d_k).transpose(1, 2) # 縮放點積注意力 scores torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(self.d_k) if mask is not None: scores scores.masked_fill(mask 0, -1e9) attn torch.softmax(scores, dim-1) out torch.matmul(attn, V) # [B, h, L, d_k] out out.transpose(1, 2).contiguous().view(batch, -1, self.d_model) return self.w_o(out)邏輯說明view transpose把d_model切成h份每個頭獨立算注意力最后拼回。masked_fill用極小值屏蔽 padding 或未來位置。參數(shù)說明d_model是模型主維度num_heads決定并行子空間數(shù)量d_k由兩者相除得到改num_heads時必須保證整除否則斷言直接報錯。2.3 位置編碼正余弦公式與可學習嵌入的取舍Transformer 本身沒有順序概念位置信息必須顯式注入。原始論文用固定正余弦class PositionalEncoding(nn.Module): def __init__(self, d_model, max_len5000): super().__init__() pe torch.zeros(max_len, d_model) position torch.arange(0, max_len).unsqueeze(1).float() 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) self.register_buffer(pe, pe.unsqueeze(0)) # [1, max_len, d_model] def forward(self, x): return x self.pe[:, :x.size(1)]register_buffer讓pe隨模型搬到 GPU 但不參與梯度。偶數(shù)維用 sin、奇數(shù)維用 cos不同頻率保證每個位置編碼唯一。常見做法是翻譯類任務用固定編碼視覺和長序列任務用可學習位置嵌入或相對位置編碼后者對超出訓練長度的序列泛化更好。配置項原始論文 base小數(shù)據(jù)分類常用說明d_model512128256主維度越大越吃顯存num_heads848必須整除 d_modelencoder layers624數(shù)據(jù)少就減層d_ff20484×d_model前饋層中間維度dropout0.10.10.3小數(shù)據(jù)調(diào)大3. 手寫一個最小 Transformer 并跑通前向傳播3.1 編碼器層與前饋網(wǎng)絡的拼裝一個編碼器層 多頭注意力 殘差 LayerNorm 前饋網(wǎng)絡 殘差 LayerNorm。前饋就是兩層線性夾一個激活class EncoderLayer(nn.Module): def __init__(self, d_model512, num_heads8, d_ff2048, dropout0.1): super().__init__() self.attn MultiHeadAttention(d_model, num_heads) self.ffn nn.Sequential( nn.Linear(d_model, d_ff), nn.ReLU(), nn.Linear(d_ff, d_model) ) self.norm1 nn.LayerNorm(d_model) self.norm2 nn.LayerNorm(d_model) self.dropout nn.Dropout(dropout) def forward(self, x, maskNone): # 子層1注意力 殘差 x self.norm1(x self.dropout(self.attn(x, x, x, mask))) # 子層2前饋 殘差 x self.norm2(x self.dropout(self.ffn(x))) return x這里用的是 Post-LN先殘差后歸一化原始論文寫法?，F(xiàn)在很多實現(xiàn)改成 Pre-LN先歸一化再進子層訓練更穩(wěn)、對學習率不敏感。邏輯上殘差保證梯度直通LayerNorm 穩(wěn)定分布。參數(shù)d_ff一般取4×d_model改小省顯存但削弱非線性表達。3.2 用正弦函數(shù)回歸驗證模型能學熱搜里有「transformer 預測正弦函數(shù)」這是驗證實現(xiàn)是否正確的最小閉環(huán)。構造輸入序列預測下一時刻值import numpy as np def make_sin_data(n2000, seq_len20): x np.linspace(0, 100, n) y np.sin(x) xs, ys [], [] for i in range(n - seq_len): xs.append(y[i:iseq_len]) ys.append(y[iseq_len]) return torch.tensor(xs, dtypetorch.float32).unsqueeze(-1), torch.tensor(ys, dtypetorch.float32) class SinTransformer(nn.Module): def __init__(self, d_model64, num_heads4, num_layers2): super().__init__() self.input_proj nn.Linear(1, d_model) self.pos PositionalEncoding(d_model) self.layers nn.ModuleList([EncoderLayer(d_model, num_heads, d_model*4) for _ in range(num_layers)]) self.head nn.Linear(d_model, 1) def forward(self, x): x self.pos(self.input_proj(x)) for layer in self.layers: x layer(x) return self.head(x[:, -1, :]).squeeze(-1) # 取最后位置預測訓練循環(huán)用 MSE 損失、Adam 優(yōu)化器學習率 1e-3跑 50 個 epoch 就能擬合。邏輯說明input_proj把標量升到d_model位置編碼注入順序編碼器層提取時序關系head取最后時間步輸出預測值。參數(shù)說明seq_len20是回看窗口num_layers2足夠擬合正弦層數(shù)多了反而震蕩。3.3 訓練循環(huán)與損失下降的判斷model SinTransformer() opt torch.optim.Adam(model.parameters(), lr1e-3) loss_fn nn.MSELoss() X, Y make_sin_data() for epoch in range(50): model.train() pred model(X) loss loss_fn(pred, Y) opt.zero_grad() loss.backward() opt.step() if epoch % 10 0: print(fepoch {epoch}, loss {loss.item():.6f})正常情況 loss 從 0.5 量級降到 1e-3 以下。如果 loss 卡在 0.2 不動先查位置編碼有沒有加、mask 是否誤屏蔽了有效位置、學習率是否過大導致震蕩。這套流程跑通說明注意力、殘差、歸一化的連接順序沒錯。4. 訓練調(diào)優(yōu)與常見報錯從 loss 不降到顯存溢出4.1 學習率預熱與梯度裁剪Transformer 對學習率敏感原始論文用 warmup前若干步線性升溫之后按步數(shù)平方根衰減。常見做法是 warmup 4000 步、峰值學習率 1e-4 到 1e-3。梯度裁剪clip_grad_norm_(model.parameters(), 1.0)防止梯度爆炸尤其層數(shù)多時必加。def lr_lambda(step, d_model512, warmup4000): if step 0: step 1 return (d_model ** -0.5) * min(step ** -0.5, step * warmup ** -1.5) scheduler torch.optim.lr_scheduler.LambdaLR(opt, lr_lambda) # 每個 step 后調(diào)用 scheduler.step() 和梯度裁剪 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)參數(shù)說明warmup太小前期不穩(wěn)太大收斂慢max_norm一般 0.51.0太小會壓制正常梯度。4.2 顯存溢出與 batch 組織顯存溢出常見原因序列太長導致注意力矩陣[B, h, L, L]爆炸、d_model或?qū)訑?shù)過大、沒開混合精度。排查順序是先降 batch size再降序列長度再考慮梯度累積模擬大 batch。# 梯度累積小顯存模擬大 batch accum_steps 4 for i, batch in enumerate(loader): loss model(batch) / accum_steps loss.backward() if (i 1) % accum_steps 0: torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) opt.step() opt.zero_grad()注意力復雜度是O(L2)序列翻倍顯存翻四倍。長序列場景考慮稀疏注意力或分塊計算這是 ViT、Swin Transformer 處理高分辨率圖像時的核心優(yōu)化點。4.3 訓練不收斂的排查清單現(xiàn)象可能原因處理loss 不降學習率過大/過小加 warmup試 1e-4loss 變 NaN梯度爆炸梯度裁剪降 lr驗證集先降后升過擬合加 dropout減層數(shù)輸出恒定值mask 全屏蔽檢查 mask 形狀和填充顯存溢出序列過長降 batch梯度累積提示mask 形狀錯誤是最隱蔽的坑。padding mask 應為[B, 1, 1, L]因果 mask 為[1, 1, L, L]廣播維度對不上會靜默算錯。5. 進階技巧把 Transformer 用到圖像分類與長序列5.1 ViT 與 Swin Transformer 的 patch 切分差異Vision Transformer 把圖像切成固定 patch如 16×16每個 patch 展平后當 token 送進編碼器位置編碼改成可學習二維嵌入。Swin Transformer 引入窗口注意力和層級下采樣把注意力限制在局部窗口內(nèi)復雜度從O(L2)降到線性適合高分辨率圖像分類和檢測。# ViT 的 patch 切分核心 patch_size 16 patches x.unfold(2, patch_size, patch_size).unfold(3, patch_size, patch_size) # [B, C, H/P, W/P, P, P] - [B, N, C*P*P] patches patches.contiguous().view(B, C, -1, patch_size * patch_size).transpose(1, 2)邏輯說明unfold按步長滑窗切塊再展平成 token 序列。參數(shù)說明patch_size越小 token 越多、精度越高但顯存越大常見 16 或 32。5.2 長序列的位置外推與相對位置編碼固定正余弦編碼在超出訓練長度時性能驟降。相對位置編碼把位置差注入注意力分數(shù)對長度外推更友好。實現(xiàn)上在scores上加一個可學習的相對位置偏置表按i-j索引。# 相對位置偏置scores [B, h, L, L] 加 bias[i-j] rel_bias nn.Parameter(torch.zeros(2 * max_len - 1, num_heads)) idx torch.arange(L).unsqueeze(0) - torch.arange(L).unsqueeze(1) max_len - 1 scores scores rel_bias[idx].permute(2, 0, 1).unsqueeze(0)參數(shù)說明max_len是支持的最大相對距離rel_bias可學習。這套做法在長文本和語音任務里比絕對位置編碼穩(wěn)。5.3 用注意力權重做可解釋性驗證訓練完可以取出注意力矩陣看模型關注哪里驗證是否學到合理模式。分類任務里正確樣本的注意力往往集中在關鍵 token 上如果注意力均勻鋪滿說明模型沒學到東西回去查數(shù)據(jù)和 mask。with torch.no_grad(): attn model.layers[0].attn Q attn.w_q(x).view(B, -1, attn.num_heads, attn.d_k).transpose(1, 2) K attn.w_k(x).view(B, -1, attn.num_heads, attn.d_k).transpose(1, 2) weights torch.softmax(Q K.transpose(-2, -1) / math.sqrt(attn.d_k), dim-1) print(weights[0, 0]) # 第一個樣本第一個頭的注意力分布把這份權重畫成熱力圖橫縱軸是 token 位置顏色深淺代表關注強度。這是排查「模型到底看沒看對地方」最直接的手段比只看 loss 曲線信息量大得多。本文還有配套的精品資源點擊獲取