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： “木头姐”：特斯拉的人工智能训练——“赢家通吃”的机会  天翼云在国际AI顶会大模型挑战赛中获得冠军  腾讯企点客服接待与营销分析能力升级！企业操作更高效、人机交互更智能  马斯克嘲讽人工智能：机器学习本质就是统计学  “上海市民营企业人工智能赋能创新中心”揭牌成立  比尔盖茨：AI确实存在风险，但可控  眼球反射解锁3D世界，黑镜成真！马里兰华人新作炸翻科幻迷  月薪6万，哪些AI岗位在抢人？  拓普龙7188ML：轻便壁挂式工控机箱，为人工智能应用场景提供有力保障  Meta将VR头显最低年龄限制从13岁降至10岁  无人机在电力巡检中的应用：全面解析高效巡检流程  Meta推出VR订阅服务Quest +：每月免费玩两款游戏，7.99美元/月  Moka AI产品后观察：HR SaaS迈进AGI时代  速途网络成立“人工智能专家委员会”5位中美博士加盟  第四范式「式说」大模型入选《2025年通用人工智能创新应用案例集》  中国最强AI研究院的大模型为何迟到了  网易数帆以AI融合创新引领数据分析与软件开发新趋势  DreamAvatar数字人使用教程  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  不到2S创作AI图像！Snap发布图像生成器SnapFusion  Nature封面：量子计算机离实际应用还有两年  插画师对AI绘画软件的态度是怎样的？  如何用户外电源给无人机实现持久续航  AI新风口？首个高质量「文生视频」模型Zeroscope引发开源大战：最低8G显存可跑  学而思推出AI第一课：基于自研大模型的AIGC课程  人工智能“Aria”现身 Opera浏览器100版本更新：新功能“标签岛”  曝索尼在开发新头显设备：游戏中使用AR技术  创新科学家成功研发FAST激光靶标维护机器人  美的推出 AI 双视精准避障的自动集尘扫拖机器人 V12，售价仅为2999元  人形机器人概念大热！这些产业链标的或受提振  《上古卷轴5》AI高清材质包优化游戏中所有怪物  网友自制 AI 版《流浪地球 3》预告片，登上 CCTV6  实测 AI 建筑设计软件的自动生成效果图能力  马斯克回应“人工智能让一切变得更好”：我们已经是半机器人了  无人机自主巡检为高海拔输电线路运维添“新彩”  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  生活垃圾智能分类机器人社区展“才能”，征求居民意见  世界上第一个完全由人工智能驱动的图像编辑器！  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  人工智能产业竞跑“未来赛道” 创新发展放大“赋能”效应  联想首发AI PC于今年秋季，英特尔CEO确认AI PC时代来临  Adobe旗下Illustrator引入生成式AI工具Firefly  AYANEO 安卓掌机 Pocket AIR 配置公布：天玑 1200 + 5.5 英寸屏  全媒封面丨⑤商汤科技：原创AI算法“发电厂”  华为AI大模型将融入HarmonyOS 4  华为大模型登Nature正刊！审稿人：让人们重新审视预报模型的未来  WHEE使用教程  华为小艺AI助手将实现强大的大模型能力  站在社会的高度理解人工智能  Vision Pro头显重磅发布；苹果收购AR厂商Mira 

 2023-06-14