Transformer 是一种基于自注意力机制（Self-Attention）的深度学习模型，最初由 Google 在 2017 年的论文《Attention Is All You Need》中提出，主要用于自然语言处理任务，如今已广泛应用于计算机视觉、语音识别等多个领域，是现代大语言模型（如GPT、BERT等）的核心架构。
一、模型架构
Transformer 采用经典的编码器-解码器（Encoder-Decoder）架构，由多个编码器层和多个解码器层堆叠而成（通常为 6 层），每层包含特定的子模块。
1.编码器（Encoder）
处理输入序列（如句子），生成包含序列语义的中间表示。每个编码器层包含两个子层：
多头自注意力机制（Multi-Head Self-Attention） ：捕捉序列内部不同位置的依赖关系。
前馈神经网络（Feed Forward Neural Network）：对注意力输出进行非线性变换。
每层后均使用残差连接（Residual Connection）和层归一化（Layer Normalization）稳定训练。
2.解码器（Decoder）
基于编码器的输出生成目标序列（如翻译结果）。每个解码器层包含三个子层：
掩码多头自注意力机制（Masked Multi-Head Self-Attention） ：确保解码时不依赖未来位置的信息。
编码器-解码器注意力机制（Encoder-Decoder Attention） ：建立输入与输出序列的关联。
前馈神经网络：与编码器中的结构相同。
二、自注意力机制（Self-Attention）
自注意力机制是 Transformer 的核心，它允许模型在处理序列时关注不同位置的信息，计算元素间的关联权重。
1. 注意力计算的数学表达：
对于输入序列中的每个元素，注意力机制通过三个矩阵（可训练参数）生成三个向量：
查询向量（Query, Q） ：用于计算当前元素与其他元素的关联。
键向量（Key, K） ：作为被查询的 "索引"。
值向量（Value, V）：包含元素的实际信息。
注意力分数的计算过程：
对每个位置 i，计算其与所有位置 j 的注意力分数，softmax函数将分数归一化为权重，加权求和得到输出。
<math xmlns="http://www.w3.org/1998/Math/MathML"> A t t e n t i o n ( Q , K , V ) = s o f t m a x ( Q K T d k ) V Attention(Q,K,V)=softmax(\frac{QK^T}{\sqrt{d_k}})V </math>Attention(Q,K,V)=softmax(dk QKT)V
其中， <math xmlns="http://www.w3.org/1998/Math/MathML"> d k d_k </math>dk是Key的维度， <math xmlns="http://www.w3.org/1998/Math/MathML"> d k \sqrt{d_k} </math>dk 称作缩放因子，用于防止梯度消失。
2. 多头注意力（Multi-Head Attention）：
将注意力机制拆分为多个 "头"（Head）并行计算，每个头关注不同子空间的信息，最后拼接结果：
<math xmlns="http://www.w3.org/1998/Math/MathML"> M u l t i H e a d ( Q , K , V ) = C o n c a t ( h e a d 1 , . . . , h e a d h ) W O MultiHead(Q,K,V)=Concat(head_1,...,head_h)W^O </math>MultiHead(Q,K,V)=Concat(head1,...,headh)WO
其中，每个头的计算独立， <math xmlns="http://www.w3.org/1998/Math/MathML"> W O W^O </math>WO为输出投影矩阵。多头机制让模型能从不同角度捕捉序列关系。
三、 前馈神经网络（Feed-Forward Network, FFN）
每个编码/解码层中的前馈网络由两个线性变换组成，中间使用 ReLU 激活函数
<math xmlns="http://www.w3.org/1998/Math/MathML"> F F N ( x ) = m a x ( 0 , x W 1 + b 1 ) W 2 + b 2 FFN(x)=max(0,xW_1+b_1)W_2+b_2 </math>FFN(x)=max(0,xW1+b1)W2+b2
作用：对注意力机制的输出进行非线性变换，增强模型的拟合能力，将注意力捕捉到的特征映射到更高维的语义空间。
四、残差连接与层归一化
每个子层（注意力、前馈网络）后应用残差连接（Residual Connection）和层归一化（Layer Normalization），缓解梯度消失问题。
1. 残差连接（Residual Connection）
作用：解决深层网络中的梯度消失/爆炸问题，帮助模型训练更深的网络结构。
机制：将某一层的输入直接与该层的输出相加
<math xmlns="http://www.w3.org/1998/Math/MathML"> O u t p u t = I n p u t + L a y e r ( I n p u t ) Output=Input+Layer(Input) </math>Output=Input+Layer(Input)
2. 层归一化（Layer Normalization）
作用：稳定网络训练，加速收敛，减少对初始化和学习率的敏感度。
机制：对单个样本的所有特征维度进行归一化（与批归一化不同，不依赖批次统计量）
<math xmlns="http://www.w3.org/1998/Math/MathML"> O u t p u t = γ ⋅ X − μ σ 2 + ε + β Output=\gamma \cdot \frac{X-\mu}{\sqrt{\sigma^2+\varepsilon}}+\beta </math>Output=γ⋅σ2+ε X−μ+β
其中， <math xmlns="http://www.w3.org/1998/Math/MathML"> μ \mu </math>μ是均值， <math xmlns="http://www.w3.org/1998/Math/MathML"> σ 2 \sigma^2 </math>σ2是方差， <math xmlns="http://www.w3.org/1998/Math/MathML"> α \alpha </math>α和 <math xmlns="http://www.w3.org/1998/Math/MathML"> β \beta </math>β是可学习的缩放和偏移参数， <math xmlns="http://www.w3.org/1998/Math/MathML"> ε \varepsilon </math>ε是防止除零的小常数。
五、位置编码（Positional Encoding）
由于 Transformer 本身不具备处理序列顺序的能力（自注意力是全局计算），需通过位置编码为序列添加位置信息。
常用方法：使用正弦和余弦函数生成位置编码向量，公式如下：
<math xmlns="http://www.w3.org/1998/Math/MathML"> P E ( p o s , 2 i ) = s i n ( p o s 1000 0 2 i d m o d e l ) PE(pos,2i)=sin(\frac{pos}{10000^{\frac{2i}{d_{model}}}}) </math>PE(pos,2i)=sin(10000dmodel2ipos)
<math xmlns="http://www.w3.org/1998/Math/MathML"> P E ( p o s , 2 i + 1 ) = c o s ( p o s 1000 0 2 i d m o d e l ) PE(pos,2i+1)=cos(\frac{pos}{10000^{\frac{2i}{d_{model}}}}) </math>PE(pos,2i+1)=cos(10000dmodel2ipos)
其中，pos为位置，i为维度， <math xmlns="http://www.w3.org/1998/Math/MathML"> d m o d e l d_{model} </math>dmodel为模型维度。
作用：将位置信息融入输入向量，使模型能区分序列中不同位置的语义。
六、应用与扩展
基础应用 ：
机器翻译、文本摘要、语音识别、问答系统等序列到序列任务。
变体模型 ：
BERT：仅使用编码器部分，通过掩码语言模型（MLM）和下一句预测（NSP）预训练，开创预训练模型先河。
GPT系列：仅使用解码器部分，通过自回归（Autoregressive）方式生成文本，推动生成式 AI 发展。
核心优势 ：
长距离依赖建模能力强，避免 RNN 的梯度消失问题。
并行计算效率高，适合大规模数据训练。
注意力机制可解释性较强，通过可视化权重能直观理解模型关注的重点。
七、小结
Transformer 通过自注意力机制替代传统序列模型中的循环结构，实现了对序列信息的并行处理和长距离依赖建模。其核心组件（多头注意力、位置编码、前馈网络）的设计使其在效率和性能上超越了传统模型，为后续大语言模型和多模态模型的发展奠定了基础。