Skip to content
←

필사 모드: Attention Is All You Need：Transformer 论文完全解析

中文
0%
정확도 0%
💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

1. 论文概述

"Attention Is All You Need" 是 2017 年在 NeurIPS 上发表的论文，由 Google Brain 和 Google Research 的 Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan Gomez、Lukasz Kaiser、Illia Polosukhin 共同撰写。这篇论文表明，完全摒弃传统的 Recurrence 与 Convolution，仅凭 Attention 机制就能够构建 Sequence-to-Sequence 模型，堪称深度学习史上真正的转折点。

论文提出的 Transformer 架构在 WMT 2014 English-to-German 翻译任务上取得了 28.4 BLEU，在 English-to-French 上取得了 41.8 BLEU，超越了此前所有模型。更重要的是，这一架构此后成为了 BERT、GPT、T5、ViT 等几乎所有现代 AI 主流模型的基础。

2. 论文的背景与动机：RNN/LSTM 的局限

2.1 Sequential Processing 的瓶颈

在 Transformer 出现之前，Sequence Modeling 的标准是 RNN（Recurrent Neural Network）及其变体 LSTM（Long Short-Term Memory）、GRU（Gated Recurrent Unit）。它们按 t=1,2,...,nt = 1, 2, ..., n 的顺序处理序列，同时更新 hidden state hth_t。

ht=f(ht−1,xt)h_t = f(h_{t-1}, x_t)

这种顺序处理特性带来了两个根本性问题。

第一，无法并行化。 由于每个时间步的计算都依赖于前一个时间步的结果，GPU 的并行处理能力无法被有效利用。序列长度越长，训练时间就呈线性增长。

第二，Long-range Dependency 问题。 理论上 LSTM 能够学习长期依赖，但实际上序列越长，捕捉远距离 token 之间关系就越困难。这是因为所有的历史信息都必须压缩进 hidden state 这样一个固定大小的向量中。

2.2 Attention 的出现与局限

Bahdanau 等人（2014）提出的 Attention 机制，让 Decoder 能够直接访问 Encoder 的全部 hidden state，从而大幅缓解了 Long-range Dependency 问题。但由于它依然是在 RNN 之上附加Attention 的形式，Sequential Processing 的瓶颈依旧存在。

论文的核心问题正是："抛开 Recurrence，仅靠 Attention 是否足够？"

答案是肯定的，而其成果正是 Transformer。

3. Self-Attention 机制

3.1 核心概念：Query、Key、Value

Self-Attention 的核心思想是，序列中的每个 token 直接计算自己与其他所有 token 之间的关系。为此，每个输入向量被转换为三种角色。

  • Query (Q)："我在寻找什么样的信息？"
  • Key (K)："我能提供的信息的标识符是什么？"
  • Value (V)："我实际传递的信息是什么？"

对输入序列 X∈Rn×dmodelX \in \mathbb{R}^{n \times d_{model}}，通过可学习的权重矩阵生成 Q、K、V。

Q=XWQ,K=XWK,V=XWVQ = XW^Q, \quad K = XW^K, \quad V = XW^V

其中 WQ,WK∈Rdmodel×dkW^Q, W^K \in \mathbb{R}^{d_{model} \times d_k}，WV∈Rdmodel×dvW^V \in \mathbb{R}^{d_{model} \times d_v}。

3.2 直观理解

用信息检索系统来类比会更容易理解。假设在图书馆里找书，Query 就是「深度学习入门书」这样的检索词，Key 是每本书的标题或标签，Value 是书的实际内容。Self-Attention 的本质，就是让 Query 与 Key 相似度更高的书，其 Value 被更多地取用。

Self-Attention 与 RNN 的决定性区别在于，序列内任意两个 token 之间的路径长度（path length）始终为 O(1)O(1)。RNN 是 O(n)O(n)，CNN 是 O(log⁡kn)O(\log_k n)（dilated）或 O(n/k)O(n/k)（普通）。正是这一短路径长度，让模型能够有效学习 Long-range Dependency。

4. Scaled Dot-Product Attention

4.1 公式

论文提出的 Attention 函数的精确公式如下。

Attention(Q,K,V)=softmax(QKTdk)V\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V

让我们逐步拆解这个公式。

Step 1：相似度计算（QKTQK^T）

计算 Query 与 Key 的 Dot Product。结果是一个 n×nn \times n 大小的 Attention Score 矩阵。其中每个元素 (i,j)(i, j) 表示第 ii 个 token 的 Query 与第 jj 个 token 的 Key 之间的相似度。

Step 2：Scaling（1dk\frac{1}{\sqrt{d_k}}）

dkd_k 越大，Dot Product 值的方差就越大，从而导致 Softmax 的梯度变得极小。具体来说，若 qq 与 kk 的每个分量都是均值为 0、方差为 1 的独立随机变量，那么 q⋅kq \cdot k 的方差就是 dkd_k。除以 dk\sqrt{d_k} 可以将方差归一化为 1，使 Softmax 稳定运作。

论文也通过实验验证了这一 Scaling 的重要性——当 dkd_k 较小时，Additive Attention 与 Dot-Product Attention 的性能相近；但当 dkd_k 较大时，未经 Scaling 的 Dot-Product Attention 性能会大幅下降。

Step 3：Softmax

对经过 Scaling 的 Score 应用 Softmax，得到 Attention Weight。由于每一行的总和为 1，它相当于对 Value 做加权平均时的权重。

Step 4：与 Value 的加权求和

最终，将 Attention Weight 与 Value 相乘，每个 token 的输出就是所有 token 的 Value 按相关性比例合成的向量。

4.2 Masking

在 Decoder 的 Self-Attention 中，必须防止未来 token 的信息泄露给当前 token。为此，在 Softmax 之前，会使用 Masked Attention，将未来位置对应的 Score 设为 −∞-\infty。

MaskedAttention(Q,K,V)=softmax(QKT+Mdk)V\text{MaskedAttention}(Q, K, V) = \text{softmax}\left(\frac{QK^T + M}{\sqrt{d_k}}\right)V

其中 MM 是 Upper Triangular Matrix，在不被允许的位置为 −∞-\infty，在被允许的位置为 00。

5. Multi-Head Attention

5.1 单一 Attention 的局限

如果只使用一个 Attention 函数，模型就只能从单一视角把握 token 之间的关系。例如在句子 "The cat sat on the mat because it was tired" 中，「it」指代「cat」的句法关系，与「tired」描述「cat」状态的语义关系，就很难被同时捕捉到。

5.2 Multi-Head Attention 的结构

论文通过并行运行多个 Attention 来解决这一问题。

MultiHead(Q,K,V)=Concat(head1,head2,...,headh)WO\text{MultiHead}(Q, K, V) = \text{Concat}(\text{head}_1, \text{head}_2, ..., \text{head}_h) W^O

其中每个 head 定义如下。

headi=Attention(QWiQ,KWiK,VWiV)\text{head}_i = \text{Attention}(QW_i^Q, KW_i^K, VW_i^V)

各 head 的权重矩阵为 WiQ∈Rdmodel×dkW_i^Q \in \mathbb{R}^{d_{model} \times d_k}、WiK∈Rdmodel×dkW_i^K \in \mathbb{R}^{d_{model} \times d_k}、WiV∈Rdmodel×dvW_i^V \in \mathbb{R}^{d_{model} \times d_v}，最终的输出投影为 WO∈Rhdv×dmodelW^O \in \mathbb{R}^{hd_v \times d_{model}}。

5.3 论文中的设置

论文使用了 h=8h = 8 个 head，并设置 dk=dv=dmodel/h=64d_k = d_v = d_{model} / h = 64。由于总维度被 head 数量均分，Multi-Head Attention 的总计算成本与 Single-Head Attention 几乎相同。

根据论文的 Ablation Study，当 head 数为 1 时 BLEU 下降了 0.9 个百分点；而当 head 数过多时（例如 32 个），dkd_k 会变得过小，反而导致性能下降。

5.4 三种使用方式

在 Transformer 中，Multi-Head Attention 被用在三个地方。

  1. Encoder Self-Attention：在 Encoder 内部，输入序列的每个 token 都会参考其他所有 token。Q、K、V 全部由前一个 Encoder 层的输出生成。
  2. Decoder Self-Attention（Masked）：在 Decoder 内部，通过 Masking 使其只能参考目前为止已生成的 token。
  3. Encoder-Decoder Attention（Cross-Attention）：Decoder 的 Query 参考 Encoder 的 Key、Value。这一部分与传统 Seq2Seq 模型中的 Attention 最为相似。

6. Positional Encoding

6.1 必要性

Self-Attention 本质上与顺序无关（permutation invariant）。即使改变输入 token 的顺序，Attention 的输出值（除了顺序变化之外）依然相同。而在自然语言中，语序是极为重要的信息，因此必须显式地注入位置信息。

6.2 Sinusoidal Positional Encoding

论文提出了利用正弦与余弦函数的 Positional Encoding。

PE(pos,2i)=sin⁡(pos100002i/dmodel)PE_{(pos, 2i)} = \sin\left(\frac{pos}{10000^{2i / d_{model}}}\right) PE(pos,2i+1)=cos⁡(pos100002i/dmodel)PE_{(pos, 2i+1)} = \cos\left(\frac{pos}{10000^{2i / d_{model}}}\right)

其中 pospos 是序列内的位置，ii 是维度索引。该 Encoding 会被加到（element-wise addition）输入 Embedding 上，再传入模型。

6.3 为什么是 Sinusoidal？

选择这一函数有明确的理由。

相对位置表示：对任意固定偏移量 kk，PEpos+kPE_{pos+k} 都可以表示为 PEposPE_{pos} 的线性变换。这使得模型能够更容易学习相对位置关系。

[sin⁡(pos⋅ω+k⋅ω)cos⁡(pos⋅ω+k⋅ω)]=[cos⁡(kω)sin⁡(kω)−sin⁡(kω)cos⁡(kω)][sin⁡(pos⋅ω)cos⁡(pos⋅ω)]\begin{bmatrix} \sin(pos \cdot \omega + k \cdot \omega) \\ \cos(pos \cdot \omega + k \cdot \omega) \end{bmatrix} = \begin{bmatrix} \cos(k\omega) & \sin(k\omega) \\ -\sin(k\omega) & \cos(k\omega) \end{bmatrix} \begin{bmatrix} \sin(pos \cdot \omega) \\ \cos(pos \cdot \omega) \end{bmatrix}

无需学习的泛化能力：能够自然地扩展到训练数据中未出现过的更长序列。论文将其与可学习的 Positional Embedding 进行比较后，报告称两种方式的结果「几乎相同」，并出于泛化能力的考虑，最终选择了 Sinusoidal 方式。

频率谱：维度越低（ii 越小）波长越短，用于精细的位置区分；维度越高波长越长，用于编码更大范围的位置关系。

7. Encoder-Decoder 整体架构

7.1 Encoder 结构

Encoder 由 N=6N = 6 个相同的层组成。每一层包含两个 Sub-layer。

  1. Multi-Head Self-Attention
  2. Position-wise Feed-Forward Network

每个 Sub-layer 都应用了 Residual Connection 与 Layer Normalization。

output=LayerNorm(x+Sublayer(x))\text{output} = \text{LayerNorm}(x + \text{Sublayer}(x))

7.2 Decoder 结构

Decoder 同样由 N=6N = 6 个相同的层组成，但与 Encoder 不同的是，每层包含三个 Sub-layer。

  1. Masked Multi-Head Self-Attention：为保持 Auto-regressive 特性，对未来位置进行 Masking。
  2. Multi-Head Cross-Attention：以 Encoder 的输出作为 Key、Value。
  3. Position-wise Feed-Forward Network

7.3 整体流程

输入序列经过 Embedding + Positional Encoding 后进入 Encoder，经过 6 层处理后的 Encoder 输出被传递给 Decoder 的 Cross-Attention。Decoder 以此前生成的 token 作为输入，输出下一个 token 的概率分布，这一过程会一直重复，直到出现序列结束 token。所有 Sub-layer 的输出维度都统一为 dmodel=512d_{model} = 512。

8. Feed-Forward Network、Layer Normalization、Residual Connection

8.1 Position-wise Feed-Forward Network（FFN）

每个 Attention Sub-layer 之后都跟着一个 Position-wise FFN。所谓「Position-wise」，是指对每个位置（token）独立地、共享同一组权重来应用。

FFN(x)=max⁡(0,xW1+b1)W2+b2\text{FFN}(x) = \max(0, xW_1 + b_1)W_2 + b_2

这是在两个 Linear Transformation 之间插入 ReLU 激活函数的结构。输入与输出的维度为 dmodel=512d_{model} = 512，内部维度为 dff=2048d_{ff} = 2048。也就是说，这是一个先扩展 4 倍再缩回原尺寸的 Bottleneck 结构。

这个 FFN 等价于两次 1x1 Convolution，其作用是对每个 token 进行非线性变换，把 Attention 捕捉到的关系信息转化为更丰富的表示。

8.2 Residual Connection

这是一种将每个 Sub-layer 的输入加到其输出上的 Skip Connection。

output=x+Sublayer(x)\text{output} = x + \text{Sublayer}(x)

这一设计借鉴自 ResNet，能让梯度在深层网络中顺畅流动，从而稳定训练。为使 Residual Connection 正常工作，相加的两个张量维度必须相同，这正是所有 Sub-layer 与 Embedding 的输出维度统一为 dmodel=512d_{model} = 512 的原因。

8.3 Layer Normalization

每个 Sub-layer 的输出都会应用 Layer Normalization。与 Batch Normalization 不同，Layer Normalization 是在单个样本内对所有 Feature 进行归一化，因此不依赖于批大小。

LayerNorm(x)=γ⋅x−μσ+ϵ+β\text{LayerNorm}(x) = \gamma \cdot \frac{x - \mu}{\sigma + \epsilon} + \beta

其中 μ\mu 与 σ\sigma 是该层所有维度上的均值与标准差，γ\gamma 与 β\beta 是可学习参数。论文采用了 Post-Norm（在 Sublayer 输出 + Residual 之后应用 LN）方式。

9. 训练策略

9.1 Optimizer 与 Learning Rate Schedule

论文使用了 Adam Optimizer，同时搭配了一种独特的 Learning Rate 调度方式。这一调度方式后来被广泛称为「Noam Scheduler」。

lr=dmodel−0.5⋅min⁡(step−0.5,  step⋅warmup_steps−1.5)lr = d_{model}^{-0.5} \cdot \min(step^{-0.5}, \; step \cdot warmup\_steps^{-1.5})

该调度方式的核心是 Warmup。在最初的 warmup_stepswarmup\_steps（论文中为 4,000 步）内，Learning Rate 线性增加，此后则按步数的平方根倒数比例递减。

之所以需要 Warmup，是因为训练初期 Adam 的二阶矩估计并不稳定。在初期保持较低的 Learning Rate，可以防止参数发生剧烈变化，等到矩估计趋于稳定后再正式展开训练。

Adam Optimizer 的超参数为 β1=0.9\beta_1 = 0.9，β2=0.98\beta_2 = 0.98，ϵ=10−9\epsilon = 10^{-9}。β2\beta_2 被设置为比常见的 0.999 更小的 0.98，这一点很特别，通常被解读为是为了适应 Attention Score 分布的快速变化。

9.2 Regularization

Residual Dropout：对每个 Sub-layer 的输出应用 Dropout（rate = 0.1）后，再进行 Residual Connection。此外，在 Encoder 与 Decoder 中，Embedding + Positional Encoding 之和也会应用 Dropout。

Label Smoothing：应用了 ϵls=0.1\epsilon_{ls} = 0.1 的 Label Smoothing。这是一种将正确类别的目标概率设为 1−ϵls1 - \epsilon_{ls} 而非 1、其余类别的目标概率设为 ϵls/(K−1)\epsilon_{ls} / (K - 1) 的技巧。论文报告称，Label Smoothing 会使 Perplexity 恶化，但会提升 Accuracy 与 BLEU Score。这是因为它能防止模型变得过度自信，从而提升泛化性能。

9.3 训练数据与硬件

  • WMT 2014 English-German：约 450 万个句对，使用 Byte-Pair Encoding（BPE）构建的约 37,000 个共享词表
  • WMT 2014 English-French：约 3,600 万个句对，使用 32,000 个 Word-piece 词表
  • Batch：包含约 25,000 个 Source token + 25,000 个 Target token
  • Hardware：8 块 NVIDIA P100 GPU
  • 训练时间：Base 模型约 12 小时（100K steps），Big 模型约 3.5 天（300K steps）

10. 核心实验结果

10.1 机器翻译性能

ModelEN-DE BLEUEN-FR BLEUTraining Cost (FLOPs)
Transformer (Base)27.338.13.3×10183.3 \times 10^{18}
Transformer (Big)28.441.82.3×10192.3 \times 10^{19}
既有 SOTA（含 Ensemble）26.3641.29-

Transformer Big 模型在 EN-DE 上超越了此前最佳性能超过 2 个 BLEU，在 EN-FR 上也刷新了 SOTA。更令人惊讶的是，这一性能是以既有模型训练成本的一小部分达成的。

10.2 模型规模比较

ConfigNNdmodeld_{model}dffd_{ff}hhdkd_kParameters
Base6512204886465M
Big6102440961664213M

10.3 Ablation Study 核心结果

论文的 Ablation Study 清楚地展示了每个设计决策的重要性。

  • Attention Head 数量：h=1h = 1 时 BLEU 下降 0.9，h=16h = 16 或 h=32h = 32 时 dkd_k 变得过小，导致性能下降
  • dkd_k（Key 维度）：减小会导致质量下降。直接影响 Dot-Product Attention 的表达能力
  • dmodeld_{model}（模型维度）：越大性能提升越一致
  • Dropout：没有 Dropout 会发生过拟合，性能大幅下降
  • Positional Encoding：可学习方式与 Sinusoidal 方式性能几乎相同

10.4 English Constituency Parsing

为了验证在翻译任务之外的泛化能力，论文还将该架构应用于 English Constituency Parsing（句法分析）任务。仅使用 WSJ 数据取得了 91.3 F1，在半监督学习设定下取得了 92.7 F1，展现出与任务专用模型相当的竞争力。这证明了 Transformer 是一种不局限于机器翻译的通用序列模型。

11. 对后续研究的影响

Transformer 架构几乎成为了现代 AI 所有重大进展的基础。

11.1 BERT（2018，Google）

仅使用 Transformer 的 Encoder 部分，进行了双向（Bidirectional）预训练。通过 Masked Language Modeling（MLM）与 Next Sentence Prediction（NSP）这两项预训练任务，在 11 个 NLP 基准测试上取得了 SOTA。BERT 确立了 NLP 领域的 Transfer Learning 范式。

11.2 GPT 系列（2018 年～，OpenAI）

仅使用 Transformer 的 Decoder 部分，进行了 Auto-regressive Language Modeling。从 GPT-1（117M）到 GPT-2（1.5B）再到 GPT-3（175B）逐步扩大规模，证明了 Scaling Law 的威力。GPT-3 展现出了 Few-shot Learning 能力，开启了 AI 的新可能性，成为后续 ChatGPT、GPT-4 所引领的大规模语言模型（LLM）革命的起点。

11.3 此后

  • T5（2019）：将所有 NLP 任务统一为 Text-to-Text 格式，使用完整的 Encoder-Decoder 结构
  • ViT（2020）：将 Transformer 应用于 Computer Vision，把图像切分为 patch 后作为序列处理
  • DALL-E、Stable Diffusion：在图像生成中运用 Transformer
  • AlphaFold 2：在蛋白质结构预测中运用 Attention 机制

一篇论文，超越了 NLP，变革了 Computer Vision、生物学、音乐、机器人学等几乎所有 AI 领域。

12. PyTorch 核心代码示例

12.1 Scaled Dot-Product Attention

import torch
import torch.nn as nn
import torch.nn.functional as F
import math

def scaled_dot_product_attention(
    query: torch.Tensor,
    key: torch.Tensor,
    value: torch.Tensor,
    mask: torch.Tensor = None,
    dropout: nn.Dropout = None
) -> tuple[torch.Tensor, torch.Tensor]:
    """
    Scaled Dot-Product Attention 实现。
    Args:
        query: (batch, h, seq_len, d_k)
        key:   (batch, h, seq_len, d_k)
        value: (batch, h, seq_len, d_v)
        mask:  Attention mask (optional)
    Returns:
        output: (batch, h, seq_len, d_v)
        attention_weights: (batch, h, seq_len, seq_len)
    """
    d_k = query.size(-1)

    # Step 1 & 2: QK^T / sqrt(d_k)
    scores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(d_k)

    # Masking（Decoder Self-Attention 等场景）
    if mask is not None:
        scores = scores.masked_fill(mask == 0, float('-inf'))

    # Step 3: Softmax
    attention_weights = F.softmax(scores, dim=-1)

    if dropout is not None:
        attention_weights = dropout(attention_weights)

    # Step 4: Weighted sum of values
    output = torch.matmul(attention_weights, value)
    return output, attention_weights

12.2 Multi-Head Attention

class MultiHeadAttention(nn.Module):
    def __init__(self, d_model: int = 512, h: int = 8, dropout: float = 0.1):
        super().__init__()
        assert d_model % h == 0, "d_model must be divisible by h"

        self.d_model = d_model
        self.h = h
        self.d_k = d_model // h

        # Q, K, V, Output 各自的 Linear projection
        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)
        self.dropout = nn.Dropout(dropout)

    def forward(
        self,
        query: torch.Tensor,
        key: torch.Tensor,
        value: torch.Tensor,
        mask: torch.Tensor = None
    ) -> torch.Tensor:
        batch_size = query.size(0)

        # 1) Linear projection 后 reshape 为 (batch, h, seq_len, d_k)
        Q = self.W_q(query).view(batch_size, -1, self.h, self.d_k).transpose(1, 2)
        K = self.W_k(key).view(batch_size, -1, self.h, self.d_k).transpose(1, 2)
        V = self.W_v(value).view(batch_size, -1, self.h, self.d_k).transpose(1, 2)

        # 2) Scaled Dot-Product Attention（所有 head 并行执行）
        attn_output, attn_weights = scaled_dot_product_attention(
            Q, K, V, mask=mask, dropout=self.dropout
        )

        # 3) 将各 head 结果 Concatenate：(batch, seq_len, d_model)
        attn_output = (
            attn_output.transpose(1, 2)
            .contiguous()
            .view(batch_size, -1, self.d_model)
        )

        # 4) Final linear projection
        return self.W_o(attn_output)

12.3 Positional Encoding

class PositionalEncoding(nn.Module):
    def __init__(self, d_model: int = 512, max_len: int = 5000, dropout: float = 0.1):
        super().__init__()
        self.dropout = nn.Dropout(dropout)

        # 生成大小为 (max_len, d_model) 的 Positional Encoding 矩阵
        pe = torch.zeros(max_len, d_model)
        position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)  # (max_len, 1)
        div_term = torch.exp(
            torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model)
        )  # (d_model/2,)

        pe[:, 0::2] = torch.sin(position * div_term)  # 偶数维度: sin
        pe[:, 1::2] = torch.cos(position * div_term)  # 奇数维度: cos

        pe = pe.unsqueeze(0)  # (1, max_len, d_model) - 添加 batch 维度
        self.register_buffer('pe', pe)  # 注册为 buffer 而非可学习参数

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        """
        Args:
            x: (batch, seq_len, d_model) - Embedding 输出
        Returns:
            (batch, seq_len, d_model) - 加上 Positional Encoding 后的结果
        """
        x = x + self.pe[:, :x.size(1), :]
        return self.dropout(x)

12.4 Transformer Encoder Layer

class TransformerEncoderLayer(nn.Module):
    def __init__(self, d_model: int = 512, h: int = 8, d_ff: int = 2048, dropout: float = 0.1):
        super().__init__()

        # Sub-layer 1: Multi-Head Self-Attention
        self.self_attn = MultiHeadAttention(d_model, h, dropout)
        self.norm1 = nn.LayerNorm(d_model)
        self.dropout1 = nn.Dropout(dropout)

        # Sub-layer 2: Position-wise FFN
        self.ffn = nn.Sequential(
            nn.Linear(d_model, d_ff),
            nn.ReLU(),
            nn.Dropout(dropout),
            nn.Linear(d_ff, d_model),
        )
        self.norm2 = nn.LayerNorm(d_model)
        self.dropout2 = nn.Dropout(dropout)

    def forward(self, x: torch.Tensor, mask: torch.Tensor = None) -> torch.Tensor:
        # Sub-layer 1: Self-Attention + Residual + LayerNorm
        attn_output = self.self_attn(x, x, x, mask)
        x = self.norm1(x + self.dropout1(attn_output))

        # Sub-layer 2: FFN + Residual + LayerNorm
        ffn_output = self.ffn(x)
        x = self.norm2(x + self.dropout2(ffn_output))

        return x

上述代码中，self.self_attn(x, x, x, mask) 的 Q、K、V 全部来自同一个输入 x，这正是被称为「Self」-Attention 的原因。若是 Cross-Attention，则只需将 K 与 V 换成 Encoder 的输出即可。

13. 结语

"Attention Is All You Need" 并不只是提出了一个机器翻译模型。它打破了 Recurrence 这一由来已久的惯性，用实证证明了「仅靠 Attention 就足够」这一大胆主张。

这篇论文的核心贡献可以总结如下。

  1. 去除 Recurrence：以可并行处理的架构大幅提升训练速度
  2. Self-Attention：以 O(1)O(1) 路径长度直接建模序列中所有 token 之间的关系
  3. Multi-Head Attention：从多个视角同时捕捉关系
  4. Scalability：简洁而可扩展的架构设计，使后续可以扩展到数十亿乃至数万亿参数的模型

自这篇论文发表的 2017 年以来，Transformer 已经超越 NLP，扩散到 Vision、Audio、Biology、Robotics 等几乎所有 AI 领域。正如论文标题所说，Attention 确实就是 All You Need。

参考资料

현재 단락 (1/259)

"Attention Is All You Need" 是 2017 年在 NeurIPS 上发表的论文，由 Google Brain 和 Google Research 的 Ashish Vaswa...

작성 글자: 0자원문 글자: 15,307자작성 단락: 0/259