Transformer块 - wangshengliang

整个大语言模型就是由一系列 Transformer 块组成的。每个块处理其输入，然后将处理结果传递给下一块。

在原始的 Transformer 论文中约为 6 块，现在许多 LLM 中已经超过 100 个了。

每个 Transformer 块由以下两首首尾相接的组件构成：

自注意力层#

注意力机制帮助模型在处理特定词元的时候 整合上下文信息。

狗追猫，因为它

为了预测“它”之后的内容，模型需要知道“它”指代的是什么，是“狗”还是“猫” ？

注意力机制会将上下文信息添加到“它”这个词元的表示中。

注意力机制会为“它”这个词元计算它与句子中所有其他词元的关联程度。

这些相关性通过一个叫做“注意力权重”的分数来表示，相关性越高，注意力分数越大。

下图是另外一段英文提示词文本

The cat sat on the mat

在自注意力层所生成的权重矩阵图：

图中 sat → The 的注意力值是 0.23，意味着在处理 “sat” 这个词时，模型“最关注”的词之一是 “The”；cat → on 的注意力值是 0.21，表示 “cat” 在编码时也部分关注了 “on”。

回到我们上面“狗追猫”的例子，假设注意力机制得出以下权重：

"它" 对每个词的注意力权重：
狗：0.3
猫：0.6
其他词：0.1

模型“认为”——“它”更可能指的是“猫”。

那么模型可能就会生成诸如“它吓倒了狗”的后续内容。

核心：当前词会去关注其它词，并且根据相关性分配权重，从而形成更有语境感知的一个表达。

所谓多头注意力，指的是模型不只使用一个注意力机制去“看”上下文，而是使用多个注意力头（head），每个从不同的角度并行地关注输入中的不同部分。

一个注意力头只关注一套特定的关系（比如“它”和“狗、猫”之间的关系），但现实语言中的语义很复杂：

多头注意力可以让模型从多个“子空间”中提取信息，从而提升理解力和泛化能力。

例如：

狗追猫，因为它

假设有三个注意力头，它们分别学习到了不同的关注模式：

这些注意力头会各自生成一份“它”的表示，最后再把这些表示合并起来，形成一个更加丰富、综合的向量。这个向量同时融合了：

“它”所对应的向量的含义背后的语义就非常丰富了。这也是为什么前面说 LLM 只需要取最后一个词元来预测下一个词。

这就像一个小型“专家团队”，每个注意力头都是一个“专家”，专门从某种语言视角来理解当前词元。最终，它们的意见会被整合，让模型拥有更全面的判断力。

自注意力机制让每个词元在上下文中“看别人”，整合其他词的信息。但仅靠这些信息还不够，Transformer 还需要进一步让每个词自己思考、提炼、变换。这个任务，就交给了前馈神经网络层（Feed Forward Neural Network，简称 FFN）。

前馈神经网络的特别之处在于：它不会“看别人”，只处理自己。

🙋怎么处理？

它是对每一个词元单独做的一次变换处理。你可以理解为：自注意力层结束后，每个词元都从“他人”那里学到了不少内容；接下来轮到它自己好好消化一遍。

🙋如何消化？

其实就是把词元当前的表示向量送入一个小型的神经网络中，通常会包含两层线性变换和一个非线性激活函数，流程如下：

输入 → 线性变换（升维） → 激活函数 → 线性变换（降维） → 输出

再具体一点的话，这一过程可以用公式表示为：

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

其中 GELU 是一种激活函数，负责加入“非线性思考能力”。

例如：

狗追猫，因为它

在经过自注意力机制之后，“它”这个词已经看向了上下文，并初步融合了来自“猫”“狗”等词的语义信息。

但是，这样的表示只是“初加工品”。模型还需要进一步处理它，让它具备更强的语义表达能力和推理能力。这时，“它”的向量就会被送入前馈网络中：

这个新表示就是“它”这个词元的升级版本，里面包含了模型对“它”这个词更深层的理解，可以帮助模型提取出更适合判断行为、情感、逻辑的语义特征。最终形成的向量将送入下一层 Transformer，继续处理。

因此，前馈层也是非常重要的一层，看起来只是“对每个词做了一遍变换”，但它非常关键。如果 Transformer 只有注意力层没有前馈层，那它就像是一个只会模仿别人的人，不会自己总结、推理和表达。如果说自注意力阶段是“看外部世界”，那么前馈网络阶段就是“闭上眼睛思考自己”。

-EOF-