Transformer 架构核心组件原理

来源标签：2026真题公司标签：美团 #Transformer #自注意力机制 #位置编码 #多头注意力 #编码器-解码器

搜索「并行」匹配到口述回答，相关段落已展开。查看匹配内容 ↓

完整题目

请详细介绍 Transformer 模型的整体架构，包括其编码器-解码器结构、自注意力机制、前馈网络、位置编码等核心组件的工作原理。

本文目录

原始Transformer：encoder-decoder

输入token embedding与位置编码相加后进入N层encoder。每层包含multi-head self-attention和逐位置FFN；每个子层外有残差、dropout和LayerNorm。原始论文使用Post-LN：

LayerNorm(x + Sublayer(x))

不是现代Pre-LN的 x + Sublayer(LN(x))。

Decoder每层依次包含masked self-attention、对encoder memory的cross-attention和FFN。因果mask阻止目标位置看到未来token；cross-attention以decoder状态为Q、encoder输出为K/V。

核心计算

Attention(Q,K,V)=softmax(QK^T/sqrt(d_k)+mask)V。多头把Q/K/V投影到多个子空间，并行计算后拼接，再经线性输出投影。缩放用于控制点积幅度，输出投影仍是线性混合。

FFN对每个位置使用同一组两层MLP，原论文为ReLU，现代模型常用GELU、SwiGLU等变体。位置编码用于打破纯attention对顺序的置换对称；原论文使用正弦余弦编码。它可计算到训练长度之外，但“可计算”不保证模型可靠外推。

现代架构要分开说

BERT是encoder-only；GPT是decoder-only，没有原始seq2seq decoder中的cross-attention；T5属于encoder-decoder。现代LLM常采用Pre-Norm、RMSNorm、RoPE和不同FFN，不能倒写成原始Transformer定义。训练时decoder各位置可在因果mask下并行，推理时通常自回归生成。

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

继续追问 · 3 个问题

为什么Transformer比RNN更适合长序列？计算复杂度是多少？
多头注意力中"多头"的设计动机是什么？不同头学到什么不同特征？
实际应用中Encoder-only（如BERT）、Decoder-only（如GPT）、Encoder-Decoder（如T5）各适合什么场景？

换一种问法，检查是否真正理解

场景切入

假设我们要做一个电商客服机器人，用户发来一句“我的订单怎么还没到？”，Transformer模型是怎么编码这句话并理解每个词之间的关系的？你给我讲讲整体流程。

层层追问

Transformer的核心是自注意力，那它怎么处理序列顺序？……位置编码有哪些实现方式？……那编码器和解码器的注意力有什么不同？

直球架构

请详细讲解Transformer的整体架构，包括编码器-解码器结构、自注意力机制、前馈网络和位置编码的工作原理。

练习口述回答 · 约4分钟

从原始encoder-decoder总图开始
拆解attention与多头
说明decoder两类attention
解释FFN、残差、归一化与位置编码
分开现代三类架构

我先讲原始论文的encoder-decoder，而不是一上来把GPT混进表格。源token embedding和位置编码相加后进入多层encoder，encoder输出是一组源序列表示，也叫memory。目标侧decoder读取已经生成的目标前缀，同时通过cross-attention读取这组memory，最后经线性层和softmax预测下一个token。

每个encoder层有两个核心子层：multi-head self-attention和逐位置前馈网络。Self-attention先从输入线性投影出Q、K、V，计算QK转置除以根号d_k，加mask后softmax，再对V加权求和。缩放用于控制点积随维度增长的幅值，避免softmax过早饱和。

多头attention把Q、K、V投影到多个表示子空间，各头并行计算，再拼接并经过输出线性投影。不同头有机会形成不同关系，但不能预设每个头一定对应某种人类可解释语义。输出投影做的是跨头线性混合，本身不是非线性层。

Decoder层比encoder多一类attention。第一类是目标侧masked self-attention，用因果mask挡住未来位置；第二类是cross-attention，Q来自decoder当前状态，K和V来自encoder memory。之后同样接逐位置FFN。训练时目标序列已知，可以在causal mask下并行算所有位置；推理时因为下一个token依赖已生成前缀，通常逐token进行。

FFN对每个token位置独立应用同一组两层MLP。原始论文使用ReLU，现代模型可能换GELU或SwiGLU。各子层外还有残差、dropout和LayerNorm。这里要准确：原始Transformer是Post-LN，形式是LayerNorm作用在x加Sublayer x之后；x加Sublayer作用在LayerNorm x上，是后来常见的Pre-LN，不能倒过来介绍。

Attention本身若不加入位置信息，对输入顺序缺少区分，所以原始模型加入正弦余弦位置编码。它的公式可以计算到训练长度以外，但这只说明数值可生成，不代表模型在未见长度上一定可靠外推。现代模型还有learned position、RoPE、ALiBi等选择，各自边界不同。

最后分清现代架构：BERT是encoder-only，适合理解和表征；GPT是decoder-only，只用因果self-attention，没有原始seq2seq decoder的cross-attention；T5保留encoder-decoder。现代LLM还常改用Pre-Norm、RMSNorm和RoPE。面试时先准确回答原始结构，再补充这些演进，逻辑最清楚。

复杂度上，标准全局self-attention的主要项随序列长度平方增长，FFN主要随序列长度线性增长并受隐藏维影响。Transformer比RNN更容易在训练时并行处理位置，但这不意味着长序列成本更低。padding mask、causal mask和cross-attention mask也要按各自语义组合，不能用一个“掩码”笼统带过。工程实现还需考虑KV cache、算子融合和并行切分。

输出层通常把decoder隐藏状态投影到词表logit，输入embedding与输出权重可以共享，但并非所有实现都必须共享。训练还要用目标padding mask排除无效loss。讲整体架构时把表示层、堆叠块和任务头分开，才能避免把某个现代模型的具体选择误当成Transformer定义。