编码器、解码器与 Transformer 架构

Transformer块保持模型宽度不变

输入 token 表示通常为 $X\in\mathbb R^{B\times N\times d}$。多头注意力和逐位置前馈网络都把最后输出映射回 $d$，使残差相加形状闭合。位置表示在进入块前或注意力内部注入；padding 与因果关系由 mask 控制。每一层可有不同参数，但同一层的参数跨全部位置共享。

一个完整实现还包含 token 嵌入、可能的输出词表投影、dropout、最终归一化和任务头。词嵌入与输出投影可共享，也可独立；共享会改变参数量和尺度约束。只数注意力层会漏掉常占大量参数的前馈层与词表矩阵。

编码器块让每个有效位置读取双向上下文

编码器自注意力的 Q、K、V 都来自当前序列，通常只用 padding mask，不用因果 mask。每个有效位置可读取序列中所有有效键。注意力输出经过残差后，再由逐位置 FFN 处理。FFN 可写为

其中 $W_1:d\to d_{\mathrm{ff}}$，$W_2:d_{\mathrm{ff}}\to d$。它对每个位置独立应用同一参数，不在位置间混合；位置混合由注意力完成，通道内非线性变换由 FFN 完成。

编码器适合需要整段输入的表示、分类和条件生成源端。若任务要求在线流式处理，双向注意力会读取尚未到达的未来，必须改成块状、因果或有限右上下文，而不能只在部署时截断。

pre-norm与post-norm改变残差中的归一化位置

pre-norm 子层可写为

通常在全部块后再有一次最终 LayerNorm。残差主路直接包含恒等映射，深层梯度有一条不经过子层和归一化的路径。post-norm 则写为

输出每次相加后立即归一，但残差到更早层的梯度要经过归一化 Jacobian。二者不是加载权重时可随意互换的代码顺序，初始化、训练稳定性和最终层归一化都不同。

残差 dropout 通常作用于子层输出再相加，位置改变也会改变期望和缓存一致性。归一化的 epsilon、仿射参数和轴要与权重来源匹配。

因果解码器只能读取历史

decoder-only 架构每块包含因果自注意力和 FFN。训练输入为目标序列右移后的 token，位置 $t$ 预测下一个 token；下三角 mask 阻止读取未来真实 token，因此整段仍可并行算 logits。padding mask 与因果 mask 共同作用。

教师强制训练条件是正确历史 token，而自由生成会把模型自己选出的 token 反馈为下一步输入，产生分布差异。交叉熵下降不保证长生成无误差累积；评估既要看教师强制损失，也要按真实解码规则检查序列级结果。

encoder–decoder多一个cross-attention子层

编码器先产生源表示 $E\in\mathbb R^{B\times N_s\times d}$。解码器每块通常依次执行目标因果自注意力、cross-attention 和 FFN。cross-attention 的 Q 来自当前解码表示，K/V 来自编码器输出，因此分数形状为 $B\times H\times N_t\times N_s$。

源 padding mask 遮 cross-attention 的无效键，目标因果 mask 只作用于解码自注意力。cross-attention 不应按目标位置再遮掉“未来源 token”，因为完整源序列在条件生成时已经可用。若是同步流式任务，源可见范围需另行定义。

编码器输出只计算一次；生成时各解码层的cross-attention K/V也可由源表示预投影并缓存。不同 beam 可共享只读源缓存，但自身解码 K/V 与 token 历史不同，需要按 beam 重排。

参数量主要来自投影与FFN

设标准自注意力总头宽等于 $d$。Q/K/V和输出投影忽略偏置约有 $4d^2$ 个参数；FFN两矩阵约有 $2dd_{\mathrm{ff}}$。LayerNorm每次约有 $2d$ 个仿射参数。encoder–decoder的解码块多一个cross-attention，因而多一组约 $4d^2$ 投影。

参数量不随序列长度变，激活与计算却随长度变化。只比较模型文件大小不能预测长上下文显存。

标准注意力成本对长度平方增长

自注意力 QK 与 AV 的核心计算约为 $O(BN^2d)$，分数或概率显式存储约为 $O(BHN^2)$。FFN成本约为 $O(BNdd_{\mathrm{ff}})$，对长度线性。短序列和大 $d_{\mathrm{ff}}$ 时FFN可主导，长序列时平方注意力逐渐成为瓶颈。

高效精确内核可以分块计算 softmax，避免把完整 $N\times N$ 概率矩阵长期写入显存，降低中间内存和访存，但精确全连接注意力的点积数量仍是平方级。局部、稀疏、低秩或核化注意力减少连接或作近似，会改变可见关系与误差，需要任务验证。

cross-attention成本约 $O(BN_tN_sd)$；源目标长度不等时不应简写为同一个平方。padding到整批最大长度会浪费计算，长度分桶可减少浪费但改变批组成。

KV缓存避免重复投影，不消除全部平方工作

自回归生成第 $t$ 个新token时，过去层表示在因果模型中不会因未来token改变。每层可缓存过去 K/V，只为新token计算一个Q和新的K/V，再让Q读取长度$t$缓存。这样避免每一步重算全部前缀投影与隐藏状态。

若层数 $L$、头数 $H$、每头维 $d_h$、缓存长度 $N$，K与V缓存标量数约为 $2LBHNd_h$，还要乘数据类型字节数和beam数。每个新token注意力计算仍随当前长度线性，一段长度N生成的累计注意工作仍近似平方。缓存以空间换重复计算。

缓存必须记录位置、padding或滑窗偏移，并随beam筛选重排。模型训练模式的dropout应关闭；不同批请求合并时，每条序列有效长度不同，不能让新查询读取其他请求或未初始化槽位。

长上下文不等于有效使用长距离

模型“支持”长度可能仅指位置表示、mask和内核不报错。可靠使用还要求训练或适配覆盖相应距离，注意力能找到远处证据，解码质量与校准保持，延迟和缓存符合预算。位置插值、旋转频率缩放、滑动窗口和稀疏连接都会改变模型，应单独评估。

长序列还会稀释固定头数的注意分辨率，重复模式增加检索歧义，重要信息可能被截断或落在训练罕见位置。按依赖距离、输入长度和证据位置分组测试，比只报平均损失更能揭示边界。上下文中存在文本不代表模型必然使用它。

嵌入、输出头与padding仍是架构状态

token嵌入把整数索引映射为 $d$ 维向量，输出头把隐藏状态映射到词表 logits。若二者共享权重，输出矩阵是嵌入矩阵的转置视图，参数量减少，但输入输出词表和尺度必须兼容。某些实现把嵌入乘 $\sqrt d$ 后再加位置表示，另一些不乘；迁移权重时这一常数会改变初始相对尺度。

padding键被mask后，padding查询仍可能经过残差、偏置和FFN得到非零表示。只要它们始终不被有效查询读取且不进入损失，数学任务可保持；但若后续池化或缓存没有继续遮蔽，非零padding会泄漏。每层mask、最终损失和序列汇聚应使用同一有效长度合同。

输出交叉熵常忽略padding目标并按有效token数求平均。若按批内总槽位平均，长短序列比例会改变梯度；若先逐序列平均再平均，每条序列权重相同。两种目标不同，应明确选择并在分布式归约中保持。

训练激活内存不只来自注意力矩阵

反向需要保存各层输入、Q/K/V、softmax所需统计、FFN中间激活和dropout状态。即使高效注意力不保存完整概率，$B\times N\times d_{\mathrm{ff}}$ 的FFN激活仍可能很大。梯度检查点可按若干块重算前向，以额外计算换峰值内存；随机状态与mask必须重现。

低精度计算时，softmax归约、LayerNorm统计和大词表损失常需更高精度累积。非有限值应定位到具体子层，不能只靠全局梯度裁剪掩盖。长序列改变归约项数，训练稳定设置也应按长度分组核验。

架构核验顺序

先用不同的 $N_q,N_k$ 检查每个子层形状和mask；再做未来token不影响过去logit的因果测试；训练与逐步无缓存解码在同一前缀上应给一致下一个token logits；开启缓存后还应与无缓存一致。随后检查pre/post norm、dropout模式和位置索引。

最后分别记录注意力与FFN时间、峰值内存、缓存字节和每token延迟。数值一致只证明实现，任务能力仍需独立数据与真实解码协议评估。

练习

关系与资源

• 多头注意力与位置表示 提供投影、mask和位置机制。
• 归一化方法与尺度控制 解释pre/post norm状态。
• 序列损失、教师强制与解码 提供目标移位和生成规则。
• 注意力机制 提供加权信息汇聚基础。
• 循环网络、门控单元与状态传播 对比顺序状态与全局注意力。
• 长序列、效率与Transformer综合复习 综合架构选择和长上下文边界。