【Token系列】13｜Transformer是什么，为什么它能读懂语言？

13｜Transformer是什么，为什么它能读懂语言？

副标题：从Attention结构到语言理解，一种彻底颠覆RNN的神经网络设计

---

一、语言建模的关键难点：顺序 + 上下文依赖

人类理解语言时，依赖：

• 顺序（“你爱我” ≠ “我爱你”）
• 依赖（“他” → “去学校”，存在主谓关系）

传统模型如RNN/LSTM只能一个词一个词读下去，难以记住长距离关系，训练也不稳定。

---

二、Transformer革新点：Attention is All You Need

2017年，Google提出Transformer，彻底取消了RNN结构：

不用“记忆”上一个词，而是“同时看到所有词”来建模关系。

它的结构具备：

• 完全并行 → 训练快；
• 可全局建模 → 任意两词都可互相注意；
• 容易扩展 → 多层堆叠+多头建模。

---

三、整体结构图（简化版）

输入 token → Embedding → 加位置编码 → 多层 Encoder → 输出向量
                            ↓
                         Attention
                            ↓
输出 logits → softmax → 预测下一个 token

核心是 Self-Attention 模块，每层都在重建“token之间的关系图”。

---

四、Transformer的关键模块解释

1. Embedding + Position Encoding

• 把token转成向量（如768维）
• 加入顺序信息（正余弦编码或RoPE）

2. Self-Attention机制

每个token生成：

• Query（我想看谁）
• Key（我能被谁看）
• Value（我能提供什么）

用 Q·K^T 计算相关性，再加权聚合V。

3. Multi-Head Attention

• 多组Q/K/V并行工作；
• 每组学不同类型的依赖结构（语法、语义、修饰…）；
• 最后拼接+线性变换形成输出。

4. 前馈神经网络 + 残差连接 + LayerNorm

• 增强非线性；
• 保持梯度稳定；
• 模块组合成层，支持堆叠。

---

五、为什么Transformer比RNN强？

对比维度	RNN / LSTM	Transformer
顺序处理	逐词处理，串行	全词同时处理，完全并行
长依赖建模	越长越弱，梯度消失	任意两词之间直接Attention连接
可解释性	黑盒	可输出Attention矩阵，可视化关系
扩展能力	不易加深	支持任意层数、任意token长度

---

六、Decoder结构与GPT的区别

Transformer最初包含Encoder + Decoder双结构：

• BERT只用Encoder → 做理解任务；
• GPT系列只用Decoder → 做生成任务；
• 二者都继承了Transformer的Attention机制，但方向不同：

模型	结构	用途
BERT	Encoder	分类、问答
GPT	Decoder	生成、续写
T5	编码器-解码器全结构	翻译、摘要、多任务

---

七、注意力图的可解释性

每一层、每一个head的Attention矩阵都是一个[seq_len × seq_len] 的“关系图”：

• 行：当前token；
• 列：被关注的其他token；
• 权重值：注意力程度。

→ 可以用热力图/箭头图展示：模型是如何一步步“看懂”语言的。

---

八、结语：Transformer不是结构叠加，而是语言结构建模范式转变

Transformer真正解决了一个问题：

“如何在向量空间中建模结构化的语言关系？”

它不是在模仿语言，而是在重构语言本质的结构表达方式。

---