Transformer 深入浅出：从问题推导到大语言模型核心架构
从一个问题开始理解 Transformer，而不是背 Q/K/V、Attention 公式。
1. 为什么需要 Transformer？
在 Transformer 出现之前，NLP（自然语言处理）主要依赖 RNN、LSTM 等循环神经网络。
例如：
我昨天去了银行办理贷款。
传统 RNN 的处理方式：
我
↓
昨天
↓
去
↓
银行
↓
办理
↓
贷款
模型需要按照顺序逐个读取。
这种方式存在两个核心问题：
问题 1：无法充分并行
GPU 擅长矩阵计算，但是 RNN 必须：
第1个词处理完成
↓
第2个词处理
↓
第3个词处理
前一个时间步完成之前，后一个无法开始。
因此训练效率较低。
问题 2：长距离依赖困难
例如：
我小时候住在北京，后来去了很多城市，二十年后我又回到了这里。
模型需要知道：
这里
↓
北京
二者距离很远。
RNN 需要经过很多计算步骤传递信息，容易丢失。
因此出现一个核心问题：
一个词如何直接关注句子中其他相关的词？
这就是 Attention 的来源。
2. Transformer 的核心思想
Transformer 的核心：
让每个 token 根据当前上下文，动态决定应该关注哪些 token。
例如：
我 去 银行 办理 贷款
理解：
银行
时：
模型发现：
办理
贷款
和它关系更强。
于是：
银行
+
办理
+
贷款
共同决定“银行”的当前含义。
这就是：
Contextual Representation
上下文表示
同一个词：
bank
在不同句子：
I went to the bank.
I sat near the bank of the river.
会产生不同含义。
3. 输入：文字如何进入 Transformer？
计算机不能直接理解：
银行
所以第一步：
Tokenization
文本：
我喜欢人工智能
转换：
token1 token2 token3
然后：
Embedding
每个 token 转换成向量：
银行
↓
[0.21, -0.53, 0.88 ...]
假设：
d_model = 768
那么：
一个 token：
768维向量
一句话：
seq_len × d_model
例如：
10 × 768
4. 为什么需要 Position Encoding？
Attention 有一个特点：
它只关心 token 之间的关系。
但是：
我打你
和：
你打我
如果没有位置信息：
模型不知道顺序。
因此 Transformer 加入：
Position Encoding
最终输入：
Token Embedding
+
Position Information
告诉模型：
这个词是什么
+
这个词在哪里
现代大模型中常见：
RoPE
Rotary Position Embedding
也是为了解决位置信息问题。
5. Self-Attention：Transformer 的核心
Attention 解决的问题：
当前 token 应该关注哪些 token？
例如：
我 去 银行 办理 贷款
处理：
银行
时，需要判断：
我
去
银行
办理
贷款
哪个重要。
于是产生：
Q
K
V
6. Q、K、V 到底是什么？
不要把 Q/K/V 理解成三个输入。
它们来自同一个输入：
X
通过三个不同的线性变换：
Q = XWq
K = XWk
V = XWv
其中：
Wq
Wk
Wv
都是模型训练出来的参数。
Query
表示：
我想寻找什么信息？
例如：
银行：
我想知道哪些词和我的金融含义相关？
Key
表示：
我是什么类型的信息？
例如：
贷款：
我是金融相关信息
Value
表示：
如果关注我，我提供什么内容？
所以 Attention 的流程：
Q
↓
和所有 K 比较
↓
得到相关程度
↓
根据权重读取 V
7. Attention 公式解析
公式：
$$ Attention(Q,K,V) = softmax ( \frac{QK^T}{\sqrt{d_k}} )V $$
拆开：
第一步：QKᵀ
计算：
Query
和
所有 Key
的相似度。
得到：
token之间的关系矩阵
例如：
我 去 银行 办理 贷款
我
去
银行
办理
贷款
每个位置代表：
一个 token 对另一个 token 的关注程度
第二步：Softmax
把分数转换成概率：
例如：
办理 25%
贷款 60%
银行 7%
表示：
银行主要关注：
贷款
办理
第三步：加权求和 V
最终：
银行的新表示
=
0.25×办理信息
+
0.60×贷款信息
+
其他信息
于是：
原来的：
银行
变成：
和金融业务相关的银行
8. 为什么需要 Multi-Head Attention？
一个 Attention 只能观察一种关系。
但是语言包含很多关系：
例如：
小明因为小红生病，所以他去医院看她。
同时存在：
他 → 小明
她 → 小红
医院 → 生病
因此 Transformer 使用：
Multi-Head Attention
多个注意力头：
Head 1
关注语法
Head 2
关注指代
Head 3
关注语义关系
最后：
Concat
↓
Linear
融合。
注意：
模型并没有人为规定：
Head1一定学语法
这些关系是训练过程中自动形成的。
9. FFN：Attention 后为什么还需要它？
这是很多人容易误解的地方。
Attention：
负责信息交换。
FFN：
负责信息加工。
例如：
Attention：
银行
获得：
贷款信息
办理信息
但是这些只是收集来的信息。
FFN 进一步处理：
贷款
+
办理
+
银行
↓
形成更高级特征
↓
金融行为
FFN 结构：
输入
↓
Linear
↓
激活函数
↓
Linear
↓
输出
通常：
768维
↓
3072维
↓
768维
为什么扩大？
因为更高维空间可以学习更多复杂组合。
可以这样记：
Attention:
我应该看谁？
FFN:
看完之后，我应该如何理解？
10. Residual Connection 为什么存在？
Transformer 很深：
Block1
↓
Block2
↓
Block3
...
容易：
- 信息丢失
- 梯度消失
所以加入残差：
普通：
x
↓
Layer
↓
y
残差：
x --------┐
↓
Layer(x) + x
公式：
$$ output=x+F(x) $$
意思：
新学习的信息建立在原信息基础上。
11. LayerNorm 的作用
深层网络中：
不同层的数据分布可能变化。
LayerNorm：
帮助：
- 稳定训练
- 加速收敛
- 防止数值异常
简单理解：
调整数据分布
让网络更容易学习
12. 一个 Transformer Block 的完整结构
输入
↓
Self Attention
↓
Residual
↓
Normalization
↓
FFN
↓
Residual
↓
Normalization
↓
输出
大量堆叠：
Block 1
↓
Block 2
↓
Block 3
↓
...
↓
Block N
形成大型语言模型。
13. 为什么高层表示更加抽象？
不是因为：
第1层负责语法
第30层负责推理
这种固定划分。
真实情况：
每一层都在：
Attention
+
FFN
不断加工。
简单理解：
低层：
词之间的关系
中层：
关系组合
高层：
更复杂的语义模式
例如：
第一层：
银行
关注
贷款
中间层：
银行 + 贷款 + 办理
更高层：
用户正在进行金融行为
14. Decoder-only 为什么成为 GPT 的主流？
Transformer 最初：
Encoder
+
Decoder
例如翻译任务。
后来发现：
很多任务只需要生成。
于是出现：
Decoder-only
代表：
GPT
Llama
Qwen
DeepSeek
它的特点：
只能看到过去：
我 今天 去
不能看到未来：
银行
因此使用：
Causal Mask
保证：
预测当前 token 时不能偷看答案。
15. GPT 如何生成文本？
输入：
中国的首都是
流程：
Tokenizer
↓
Embedding
↓
Transformer
↓
Hidden State
↓
Linear
↓
Vocabulary概率
得到：
北京 0.9
上海 0.02
广州 0.01
选择：
北京
然后：
中国的首都是北京
继续预测。
这叫：
Autoregressive Generation
自回归生成
16. 为什么只预测下一个 token，却能产生智能？
核心：
预测任务很简单，但是为了预测准确，模型必须学习复杂规律。
例如：
预测：
法国的首都是
需要知道：
法国
国家实体
首都
城市关系
巴黎
对应知识
预测：
def binary_search():
需要知道：
代码结构
算法逻辑
变量关系
预测：
小明有3个苹果，又买2个，一共有
需要知道：
数学推理过程
因此：
next-token prediction
↓
学习语言规律
↓
学习世界规律
↓
形成语义表示
↓
产生复杂能力
17. Transformer 与 LLM 的完整链路
最终：
文本
↓
Tokenizer
↓
Embedding
↓
Position Encoding
↓
Transformer Blocks
↓
Self Attention
↓
FFN
↓
Residual + Norm
↓
Hidden State
↓
LM Head
↓
下一个 Token
↓
循环生成
18. 最终理解框架
不要记：
Transformer = QKV + Softmax
应该记：
文字无法计算
↓
Embedding
词没有上下文
↓
Attention
不知道位置
↓
Position Encoding
信息需要加工
↓
FFN
网络需要稳定训练
↓
Residual + Norm
不断堆叠
↓
Transformer
预测下一个token
↓
LLM
一句话总结：
Transformer 本质是一种通过 Self-Attention 建立 token 之间关系，并通过 FFN 进行特征加工的深度神经网络架构。大型语言模型利用大量文本训练这个架构，使其在预测 token 的过程中学习到语言、知识、代码和复杂任务模式。
