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！

# 架构  # 递归  # AI  # 正阳县花生小镇营销推广  # 乳猪料怎么推广市场营销  # 营销矩阵和推广方案  # 关键词排名seo淹云速捷声名  # 怀宁seo优化价格多少  # 三明网络营销推广运营  # 承德线上营销推广  # 嘉祥seo优化公司  # k频道网站查询seo  # 南京网站建设路夜市  # 但它  # 所示  # 被称为  # 的人  # 提出了  # 在何处  # 线性化  # 架构图  # 开源 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： Intel酷睿Ultra发布会官宣！迈向全新的AI时代  MiracleVision视觉大模型上线时间  电力人工智能数据集目录首次发布  MiracleVision视觉大模型  人工智能快速发展 打开就业新空间  ChatGPT会成为你家新的语音助手吗？  鉴智机器人发布基于地平线征程5的标准视觉感知产品  消息称字节机器人团队已有约50人，计划年底扩充到上百人  AI工具助力公司实施每周4.5天工作制，带来巨大效益  对话式论文阅读工具PaperMate上线，综述细节AI告诉你  提高开发效率：AmazonCodeWhisperer与Amazon Glue的集成和生成式AI的应用  OpenAI宣布在伦敦设立海外分部，要招揽“世界级人才”  笔神作文声讨学而思AI大模型 称用“爬虫”技术盗取数据  人工智能驱动智能建筑会是未来趋势吗？  AYANEO 安卓掌机 Pocket AIR 配置公布：天玑 1200 + 5.5 英寸屏  如何用AI开创智慧能源新时代？固德威正让能源“通人性”！  测试框架-安全和自动驾驶  无需标注数据，「3D理解」进入多模态预训练时代！ULIP系列全面开源，刷新SOTA  破解零碳产业园建设规范和成果评价难题  科技赋能司法执行 阿里资产免费为全国法院升级VR新服务  谷歌借AI打破十年排序算法封印，每天被执行数万亿次，网友却说是最不切实际的研究？  【机智云物联网低功耗转接板】远程环境数据采集探索  7/8上海 | 2025世界人工智能大会分论坛:科技与人文-共筑无障碍智能社会  绿联发布笑脸屏幕显示充电状态的30W/65W Q湃机器人充电器  前特斯拉总监、OpenAI大牛Karpathy：我被自动驾驶分了心，AI智能体才是未来！  AI大模型紫东太初已被注册商标 中科院已注册紫东太初大模型商标  微幼科技晨检机器人与人工晨检相比，有何优势  猿辅导推出Motiff，整合三大AI功能，助力UI设计生产力革新  换流站无线物联网络为新型电力系统铺设“数字之路”  抢占新赛道 加快机器人产业集聚发展  李开复官宣新公司「零一万物」，进军 AI 2.0  特斯拉人形机器人将于 7 月亮相上海 2025 世界人工智能大会  飒智智能机器人核心技术与应用论坛暨一体化控制器发布会成功举办  如何利用物联网技术提高企业生产线智能化水平，提升生产效率  揭示经济学论文写作中提高效率与质量的AI助手应用策略  阿里大文娱CTO郑勇：生成式AI将引发内容行业巨变，*制作机会挑战并存  OpenAI首席执行官表态支持欧盟AI监管  从数据中心到发电站：人工智能对能源使用的影响  微软在德国举办MR研讨会，向女性分享元宇宙潜力  如何用户外电源给无人机实现持久续航  数据显示：人工智能相关专业热度上升最快 考古、美术、生物医学工程等小众专业火了  微软推出 LLaVA-Med AI 模型，可对医学病理案例进行分析  XREAL Beam 投屏盒子正式发布：支持“可悬停 AR 空间屏”  日入400万，第一批AI骗子已上岗  南京制造的国产工业机器人：在外资品牌竞争中突围，年销售1.8万台  华为即将推出HarmonyOS 4，再度领先行业的AI技术  Midjourney创始人：AI应该成为人类思想的延伸  如何利用AI工具写好本科论文：科技助你一臂之力  亚马逊CEO：人工智能将成为公司未来战略的重中之重  将上下文长度扩展到256k，无限上下文版本的LongLLaMA来了？