此「错」并非真的错：从四篇经典论文入手，理解Transformer架构图「错」在何处

---

前段时间，一条指出谷歌大脑团队论文《Attention Is All You Need》中 Transformer 构架图与代码不一致的推文引发了大量的讨论。

对于 Sebastian 的这一发现，有人认为属于无心之过，但同时也会令人感到奇怪。毕竟，考虑到 Transformer 论文的流行程度，这个不一致问题早就应该被提及 1000 次。

Sebastian Raschka 在回答网友评论时说，「最最原始」的代码确实与架构图一致，但 2017 年提交的代码版本进行了修改，但同时没有更新架构图。这也是造成「不一致」讨论的根本原因。

随后，Sebastian 在 Ahead of AI 发布文章专门讲述了为什么最初的 Transformer 构架图与代码不一致，并引用了多篇论文简要说明了 Transformer 的发展变化。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

以下为文章原文，让我们一起看看文章到底讲述了什么：

几个月前，我分享了《Understanding Large Language Models: A Cross-Section of the Most Relevant Literature To Get Up to Speed》，积极的反馈非常鼓舞人心！因此，我添加了一些论文，以保持列表的新鲜感和相关性。

同时，保持列表简明扼要是至关重要的，这样大家就可以用合理的时间就跟上进度。还有一些论文，信息量很大，想来也应该包括在内。

我想分享四篇有用的论文，从历史的角度来理解 Transformer。虽然我只是直接将它们添加到理解大型语言模型的文章中，但我也在这篇文章中单独来分享它们，以便那些之前已经阅读过理解大型语言模型的人更容易找到它们。

On Layer Normalization in the Transformer Architecture (2025)

虽然下图（左）的 Transformer 原始图（https://arxiv.org/abs/1706.03762）是对原始编码器 - 解码器架构的有用总结，但该图有一个小小的差异。例如，它在残差块之间进行了层归一化，这与原始 Transformer 论文附带的官方 (更新后的） 代码实现不匹配。下图（中）所示的变体被称为 Post-LN Transformer。

Transformer 架构论文中的层归一化表明，Pre-LN 工作得更好，可以解决梯度问题，如下所示。许多体系架构在实践中采用了这种方法，但它可能导致表征的崩溃。

因此，虽然仍然有关于使用 Post-LN 或前 Pre-LN 的讨论，也有一篇新论文提出了将两个一起应用：《 ResiDual: Transformer with Dual Residual Connections》（https://arxiv.org/abs/2304.14802），但它在实践中是否有用还有待观察。

图注：图源 https://arxiv.org/abs/1706.03762 (左 & 中) and https://arxiv.org/abs/2002.04745 (右） 

Learning to Control Fast-Weight Memories: An Alternative to Dynamic Recurrent Neural Networks (1991)

这篇文章推荐给那些对历史花絮和早期方法感兴趣的人，这些方法基本上类似于现代 Transformer。

例如，在比 Transformer 论文早 25 年的 1991 年，Juergen Schmidhuber 提出了一种递归神经网络的替代方案（https://www.semanticscholar.org/paper/Learning-to-Control-Fast-Weight-Memories%3A-An-to-Schmidhuber/bc22e87a26d020255afe91c751e5bdaddd8e4922），称为 Fast Weight Programmers (FWP)。实现快速权值变化的另一个神经网络是通过使用梯度下降算法缓慢学习的 FWP 方法中所涉及的前馈神经网络。

这篇博客 (https://people.idsia.ch//~juergen/fast-weight-programmer-1991-transformer.html#sec2) 将其与现代 Transformer 进行类比，如下所示:

在今天的 Transformer 术语中，FROM 和 TO 分别称为键 (key) 和值 (value)。应用快速网络的输入称为查询。本质上，查询由快速权重矩阵 (fast weight matrix) 处理，它是键和值的外积之和 (忽略归一化和投影)。我们可以使用加法外积或二阶张量积来实现端到端可微的主动控制权值快速变化，因为两个网络的所有操作都支持微分。在序列处理期间，梯度下降可以用于快速调整快速网络，从而应对慢速网络的问题。这在数学上等同于 (除了归一化之外) 后来被称为具有线性化自注意的 Transformer (或线性 Transformer)。

正如上文摘录所提到的，这种方法现在被称为线性 Transformer 或具有线性化自注意的 Transformer。它们来自于 2025 年出现在 arXiv 上的论文《Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention 》（https://arxiv.org/abs/2006.16236）以及《Rethinking Attention with Performers》（https://arxiv.org/abs/2009.14794）。

2025 年，论文《Linear Transformers Are Secretly Fast Weight Programmers》（https://arxiv.org/abs/2102.11174）明确表明了线性化自注意力和 20 世纪 90 年代的快速权重编程器之间的等价性。

图源：https://people.idsia.ch//~juergen/fast-weight-programmer-1991-transformer.html#sec2

Seede AI

AI 驱动的设计工具

713 查看详情

Universal Language Model Fine-tuning for Text Classification (2018)

这是另一篇从历史角度来看非常有趣的论文。它是在原版《Attention Is All You Need》发布一年后写的，并没有涉及 transformer，而是专注于循环神经网络，但它仍然值得关注。因为它有效地提出了预训练语言模型和迁移学习的下游任务。虽然迁移学习已经在计算机视觉中确立，但在自然语言处理 (NLP) 领域还没有普及。ULMFit（https://arxiv.org/abs/1801.06146）是首批表明预训练语言模型在特定任务上对其进行微调后，可以在许多 NLP 任务中产生 SOTA 结果的论文之一。

ULMFit 建议的语言模型微调过程分为三个阶段:

• 1. 在大量的文本语料库上训练语言模型；
• 2. 根据任务特定的数据对预训练的语言模型进行微调，使其能够适应文本的特定风格和词汇；
• 3. 微调特定任务数据上的分类器，通过逐步解冻各层来避免灾难性遗忘。

在大型语料库上训练语言模型，然后在下游任务上对其进行微调的这种方法，是基于 Transformer 的模型和基础模型 (如 BERT、GPT-2/3/4、RoBERTa 等) 使用的核心方法。

然而，作为 ULMFiT 的关键部分，逐步解冻通常在实践中不进行，因为 Transformer 架构通常一次性对所有层进行微调。

Gopher 是一篇特别好的论文（https://arxiv.org/abs/2112.11446），包括大量的分析来理解 LLM 训练。研究人员在 3000 亿个 token 上训练了一个 80 层的 2800 亿参数模型。其中包括一些有趣的架构修改，比如使用 RMSNorm (均方根归一化) 而不是 LayerNorm (层归一化)。LayerNorm 和 RMSNorm 都优于 BatchNorm，因为它们不局限于批处理大小，也不需要同步，这在批大小较小的分布式设置中是一个优势。RMSNorm 通常被认为在更深的体系架构中会稳定训练。

除了上面这些有趣的花絮之外，本文的主要重点是分析不同规模下的任务性能分析。对 152 个不同任务的评估显示，增加模型大小对理解、事实核查和识别有毒语言等任务最有利，而架构扩展对与逻辑和数学推理相关的任务从益处不大。

图注：图源 https://arxiv.org/abs/2112.11446

以上就是此「错」并非真的错：从四篇经典论文入手，理解Transformer架构图「错」在何处的详细内容，更多请关注其它相关文章！

# 但它  # 大连seo教程如何赚钱  # 五金建材推广网站  # 泰安网站建设及优化  # 优化网站排名口碑  # 白山网页seo  # 平利县关键词排名推广  # 关键词排名优化技巧价格  # 宜宾网站建设略奥网络  # 文档模板网站建设公司  # 抚顺seo优化平台  # AI  # 所示  # 被称为  # 的人  # 提出了  # 在何处  # 线性化  # 架构图  # 开源  # 递归  # 架构 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 美军AI无人机“误杀”操作员，人工智能要在军事领域毁灭人类？  华为推出全新操作系统HarmonyOS 4，AI和新引擎完美融合  J*a与人工智能结合：构建智能云服务  北京公司实施AI技术，推行4.5天工作制，抵制996文化，提升员工工作幸福感  Hugging Face发布了基于NASA卫星数据构建的AI地理空间基础模型  复盘MWC上海：AI大模型时代到来 通信网络将会怎样改变？  华为云发布华为云盘古模型3.0和升腾AI云服务，亮点亮相2025华为开发者大会  “黑科技”亮相大湾区轨交论坛 智慧交通迈向“强AI”  优化J*a与MySQL合作：分享批处理操作的技巧  大模型新品出现井喷，AI产业迎来新时代  套娃不可取：研究人员证实用AI生成的结果训练AI将导致模型退化  斑马推出全新升级版思维机：以人工智能为核心的交互式学习体验  GPT-4 模型架构泄露：包含 1.8 万亿参数、采用混合专家模型  第二届光合组织AI解决方案大赛赛果揭晓  “踩油门，也要会踩刹车” 互联网企业高管谈人工智能发展  参考封面|人工智能“淘金热”  WHEE安装教程  物联网“僵尸网络DDos攻击”增长惊人，威胁全球电信网络  当科幻走进现实 脑机接口新技术能为生活带来哪些惊喜？  如何用AI重塑你的工作流（一）  0代码微调大模型火了，只需5步，成本低至150块  Moka发布AI原生HR SaaS产品“Moka Eva”，布局AGI时代  报道称亚马逊正在测试AI生成产品评价摘要  OpenAI 为开发者推出 GPT 聊天机器人 API 大更新，同时降低价格  280万条多模态指令-响应对，八种语言通用，首个涵盖视频内容的指令数据集MIMIC-IT来了  Meta 发布 Voicebox AI 模型：可生成音频信息，用于 NPC 对话等  开创全新虚拟现实体验的Pimax Crystal VR头显  Yann LeCun团队新研究成果：对自监督学习逆向工程，原来聚类是这样实现的  英特尔张宇：边缘计算在整个AI生态系统中扮演重要角色  昇思开源社区理事会成立，基于昇思AI框架的全模态大模型“紫东.太初2.0”发布  Meta 人工智能业务落后竞争对手，研究人员大量离职成重要原因  尼康尼克尔Z 180-600mm f/5.6-6.3 VR镜头发布：12499元 拍鸟神器  科技数码圈的新物种 乐天派桌面机器人 AI +安卓+机器人 首发价1799元  生成式AI引路产业加速来袭，微美全息探索“AIGC+虚拟人”融合应用  埃森哲俞毅：AI时代我们需要新的“摩尔定律”  在这里见未来！杭州未来科技城全球AI盛会邀您共探最前沿  上海发布大模型政策 打造AI“模”都  马斯克嘲讽人工智能：机器学习本质就是统计学  全媒封面丨⑤商汤科技：原创AI算法“发电厂”  抢占新赛道 加快机器人产业集聚发展  人工智能的变革之路：通过OpenAI的GPT-4漫游  李开复官宣新公司「零一万物」，进军 AI 2.0  OpenAI高管：AI能创造新的就业机会 但也会淘汰一些  Nature发AIGC禁令！投稿中视觉内容使用AI的概不接收  无需照相馆，AI证件照生成软件即将推出  热点 | 人工智能黄金时代开启  云深处与昇腾CANN携手合作：开设ROS四足机器狗开发训练营  万魔推出AI主攻的运动耳机，开启十年研发新纪元  智能公司为何纷纷投身机器人领域？  看似低调，实则稳健：字节在AI路上会遇到什么？ 

 2023-06-14