手撕Transformer编码器：从Self-Attention到Positional Encoding的PyTorch逐行实现

Transformer 编码器深度解读 + 代码实战

1. 编码器核心作用

Transformer 编码器的核心任务是将输入序列（如文本、语音）转换为富含上下文语义的高维特征表示。它通过多层自注意力（Self-Attention）和前馈网络（FFN），逐步建模全局依赖关系，解决传统RNN/CNN的长距离依赖缺陷。

2. 编码器单层结构详解

每层编码器包含以下模块（附 PyTorch 代码）：

2.1 多头自注意力（Multi-Head Self-Attention）

python 复制代码

class MultiHeadAttention(nn.Module):
    def __init__(self, embed_size, heads):
        super().__init__()
        self.embed_size = embed_size
        self.heads = heads
        self.head_dim = embed_size // heads

        # 线性变换层生成 Q, K, V
        self.to_qkv = nn.Linear(embed_size, embed_size * 3)  # 同时生成 Q/K/V
        self.scale = self.head_dim ** -0.5  # 缩放因子
        
        # 输出线性层
        self.to_out = nn.Linear(embed_size, embed_size)

    def forward(self, x, mask=None):
        batch_size, seq_len, _ = x.shape
        
        # 生成 Q, K, V 并分割多头
        qkv = self.to_qkv(x).chunk(3, dim=-1)  # 拆分为 [Q, K, V]
        q, k, v = map(lambda t: t.view(batch_size, seq_len, self.heads, self.head_dim), qkv)
        
        # 计算注意力分数 (QK^T / sqrt(d_k))
        attn = torch.einsum('bhid,bhjd->bhij', q, k) * self.scale
        
        # 掩码（编码器通常不需要，但保留接口）
        if mask is not None:
            attn = attn.masked_fill(mask == 0, -1e10)
        
        # Softmax 归一化
        attn = torch.softmax(attn, dim=-1)
        
        # 加权求和
        out = torch.einsum('bhij,bhjd->bhid', attn, v)
        out = out.reshape(batch_size, seq_len, self.embed_size)
        
        # 输出线性变换
        return self.to_out(out)

代码解析：

nn.Linear 生成 Q/K/V 矩阵，通过 chunk 分割。
einsum 实现高效矩阵运算，计算注意力分数。
支持掩码（虽编码器通常不用，但为兼容性保留）。

2.2 前馈网络（Feed-Forward Network）

python 复制代码

class FeedForward(nn.Module):
    def __init__(self, embed_size, expansion=4):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(embed_size, embed_size * expansion),  # 扩展维度
            nn.GELU(),  # 更平滑的激活函数（比ReLU效果更好）
            nn.Linear(embed_size * expansion, embed_size)   # 压缩回原维度
        )
    
    def forward(self, x):
        return self.net(x)

代码解析：

典型结构：扩展维度（如512→2048）→激活→压缩回原维度。
使用 GELU 替代 ReLU（现代Transformer的常见选择）。

2.3 残差连接 + 层归一化（Add & Norm）

python 复制代码

class TransformerEncoderLayer(nn.Module):
    def __init__(self, embed_size, heads, dropout=0.1):
        super().__init__()
        self.attn = MultiHeadAttention(embed_size, heads)
        self.ffn = FeedForward(embed_size)
        self.norm1 = nn.LayerNorm(embed_size)
        self.norm2 = nn.LayerNorm(embed_size)
        self.dropout = nn.Dropout(dropout)
        
    def forward(self, x):
        # 自注意力子层
        attn_out = self.attn(x)
        x = x + self.dropout(attn_out)  # 残差连接
        x = self.norm1(x)
        
        # 前馈子层
        ffn_out = self.ffn(x)
        x = x + self.dropout(ffn_out)   # 残差连接
        x = self.norm2(x)
        return x

代码解析：

每个子层后执行 x = x + dropout(sublayer(x))，再层归一化。
残差连接确保梯度稳定，层归一化加速收敛。

3. 位置编码（Positional Encoding）

python 复制代码

class PositionalEncoding(nn.Module):
    def __init__(self, embed_size, max_len=5000):
        super().__init__()
        pe = torch.zeros(max_len, embed_size)
        position = torch.arange(0, max_len).unsqueeze(1)
        div_term = torch.exp(torch.arange(0, embed_size, 2) * (-math.log(10000.0)/embed_size)
        
        pe[:, 0::2] = torch.sin(position * div_term)  # 偶数位置
        pe[:, 1::2] = torch.cos(position * div_term)  # 奇数位置
        self.register_buffer('pe', pe.unsqueeze(0))   # (1, max_len, embed_size)
    
    def forward(self, x):
        return x + self.pe[:, :x.size(1)]  # 自动广播到 (batch_size, seq_len, embed_size)

代码解析：

通过正弦/余弦函数编码绝对位置。
register_buffer 将位置编码注册为模型常量（不参与训练）。

4. 完整编码器实现

python 复制代码

class TransformerEncoder(nn.Module):
    def __init__(self, vocab_size, embed_size, layers, heads, dropout=0.1):
        super().__init__()
        self.embedding = nn.Embedding(vocab_size, embed_size)
        self.pos_encoding = PositionalEncoding(embed_size)
        self.layers = nn.ModuleList([
            TransformerEncoderLayer(embed_size, heads, dropout)
            for _ in range(layers)
        ])
    
    def forward(self, x):
        # 输入x形状: (batch_size, seq_len)
        x = self.embedding(x)  # (batch_size, seq_len, embed_size)
        x = self.pos_encoding(x)
        
        for layer in self.layers:
            x = layer(x)
        return x  # (batch_size, seq_len, embed_size)

5. 实战测试

python 复制代码

# 参数设置
vocab_size = 10000  # 假设词表大小
embed_size = 512    # 嵌入维度
layers = 6          # 编码器层数
heads = 8           # 注意力头数

# 初始化模型
encoder = TransformerEncoder(vocab_size, embed_size, layers, heads)

# 模拟输入（batch_size=32, seq_len=50）
x = torch.randint(0, vocab_size, (32, 50))  # 随机生成句子

# 前向传播
output = encoder(x)
print(output.shape)  # 预期输出: torch.Size([32, 50, 512])