Transformer
核心就是编码器和解码器，简单理解：编码器就是特征提取，解码器就是特征还原。
Transformer 完整架构
Transformer最初是一个Encoder-Decoder架构，用于机器翻译任务：
输入序列 → [Encoder] → 编码表示 → [Decoder] → 输出序列
1. 原始Transformer结构
┌─────────────────────────────────────────────┐
│ Transformer │
├─────────────────────┬───────────────────────┤
│ Encoder │ Decoder │
├─────────────────────┼───────────────────────┤
│ Multi-Head │ Masked Multi-Head │
│ Self-Attention │ Self-Attention │
│ ↓ │ ↓ │
│ Add & Norm │ Add & Norm │
│ ↓ │ ↓ │
│ Feed Forward │ Multi-Head │
│ ↓ │ Cross-Attention │
│ Add & Norm │ ↓ │
│ ↓ │ Add & Norm │
│ (重复N次) │ ↓ │
│ │ Feed Forward │
│ │ ↓ │
│ │ Add & Norm │
│ │ (重复N次) │
└─────────────────────┴───────────────────────┘
2. 核心组件详解
2.1 自注意力机制（Self-Attention）
# 核心公式：Attention(Q,K,V) = softmax(QK^T/√d_k)V
# BERT中的使用（双向注意力）
attention_mask = data["attention_mask"] # [1,1,1,0,0] 标记真实token
# 可以看到所有位置的信息
# GPT2中的使用（因果注意力）
# 使用下三角mask，只能看到当前位置之前的信息
2.2 多头注意力（Multi-Head Attention）
Multi-Head = Concat(head_1, head_2, ..., head_h)W^O
其中 head_i = Attention(QW_i^Q, KW_i^K, VW_i^V)
每个头关注不同的语义信息：
- 头1：可能关注语法关系
- 头2：可能关注语义相似性
- 头3：可能关注位置关系
2.3 位置编码（Positional Encoding）
Transformer没有循环结构，需要位置信息：
# BERT的位置编码
position_ids = torch.arange(seq_length)
position_embeddings = self.position_embeddings(position_ids)
# 原始Transformer使用正弦位置编码
PE(pos,2i) = sin(pos/10000^(2i/d_model))
PE(pos,2i+1) = cos(pos/10000^(2i/d_model))
3. BERT：只用Encoder
BERT使用了Transformer的Encoder部分，实现双向理解：
# demo_5/net.py 的实现
class Model(torch.nn.Module):
def __init__(self):
super().__init__()
# BERT是12层Encoder堆叠
self.fc = torch.nn.Linear(768, 2) # 768是隐藏维度
def forward(self, input_ids, attention_mask, token_type_ids):
# BERT的三个输入
# input_ids: token的ID [batch, seq_len]
# attention_mask: 标记padding [batch, seq_len]
# token_type_ids: 区分句子A/B [batch, seq_len]
with torch.no_grad():
out = pretrained(input_ids, attention_mask, token_type_ids)
# 取[CLS]的表示做分类
out = self.fc(out.last_hidden_state[:,0])
return out
BERT的特点：
- 双向注意力：每个位置都能看到全文
- MLM预训练：随机mask 15%的token进行预测
- NSP任务：判断两个句子是否相邻
4. GPT2：只用Decoder
GPT2使用了Transformer的Decoder部分（去掉Cross-Attention）：
# demo_8/train.py 的实现
model = AutoModelForCausalLM.from_pretrained(...) # 因果语言模型
def collate_fn(data):
data = tokenizer.batch_encode_plus(data, ...)
# 关键：标签就是输入向右偏移一位
data['labels'] = data['input_ids'].clone()
return data
GPT2的特点：
- 单向注意力：使用因果mask，只能看到之前的token
- 自回归生成：逐个token生成
- 统一架构：12/24/48层Decoder堆叠
5. 注意力掩码对比
# BERT的注意力掩码（可以看到所有位置）
attention_mask = [
[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1]
]
# GPT2的因果掩码（只能看到之前的位置）
causal_mask = [
[1, 0, 0, 0],
[1, 1, 0, 0],
[1, 1, 1, 0],
[1, 1, 1, 1]
]
6. 前馈网络（Feed Forward）
两个模型都使用相同的FFN结构：
FFN(x) = max(0, xW1 + b1)W2 + b2
# 通常：d_model=768, d_ff=3072
7. 层归一化和残差连接
# 每个子层都有
output = LayerNorm(x + Sublayer(x))
总结对比
| 组件 | 原始Transformer | BERT | GPT2 |
|---|---|---|---|
| 架构 | Encoder-Decoder | Encoder only | Decoder only |
| 层数 | 6+6 | 12/24 | 12/24/48 |
| 注意力 | 双向+单向 | 双向 | 单向（因果） |
| 预训练 | 监督翻译 | MLM+NSP | 语言建模 |
| 应用 | 序列到序列 | 理解任务 | 生成任务 |
实际应用示例
BERT处理流程：
输入: "这个产品[MASK]好用"
→ Tokenize: [101, 2110, 782, 103, 1962, 102]
→ 12层Encoder双向编码
→ 输出: 每个位置的768维表示
→ 预测[MASK]: "很"
GPT2生成流程：
输入: "今天天气"
→ Tokenize: [791, 1921, 1921, 2698]
→ 12层Decoder单向编码
→ 预测下一个: "很"
→ 继续预测: "好"
→ 最终: "今天天气很好"
Transformer的革命性在于完全基于注意力机制，抛弃了RNN/CNN，实现了并行计算和长距离依赖建模。BERT和GPT2分别展示了其在理解和生成任务上的强大能力。