【NLP】 22. NLP 现代教程：Transformer的训练与应用全景解读

🧠 NLP 现代教程：Transformer的训练与应用全景解读

---

一、Transformer的使用方式（Training and Use）

如何使用Transformer模型？

Transformer 模型最初的使用方式有两种主要方向：

1. 类似 RNN 编码-解码器的架构（用于序列到序列任务）
   • 例如机器翻译、文本摘要任务。
   • Encoder 用于将输入句子编码为向量，Decoder 再将向量解码为目标语言或句子。
2. 作为生成上下文词向量的预处理模块
   • Transformer也被用作词向量上下文建模器（contextualized word embeddings）。
   • 这些向量可输入至下游模型，例如分类器、序列标注器等。

初期效果如何？

• 准确率提升较小：初期在一些基准任务中仅带来轻微的精度提升。
• 效率提升显著：相比RNN，Transformer可并行计算，训练速度大幅提升。

---

二、Transformer的统治地位崛起（Over Time: Transformers Became Dominant）

为什么Transformer最终成为主流？

• Transformer 架构可以完全并行，解决了RNN“逐步处理”的效率问题。
• 支持大规模模型训练，能够有效利用现代GPU/TPU资源。
• 与“预训练+微调”范式结合，成为自然语言处理的统一框架。

---

三、BERT：Transformer成功的代表

BERT由三部分构成：

1. WordPiece分词（WordPiece Tokenisation）
   • 将生僻词拆解为已知子词。例如：“unhappiness” → “un”, “##happiness”
   • 避免OOV问题，提高表示能力。
2. Transformer结构（Transformer Architecture）
   • 多头注意力机制 + 残差连接 + 层归一化
   • 采用“Encoder-only”结构
3. 大量训练数据（Data）
   • 使用维基百科+BooksCorpus等海量文本进行预训练。

三者结合 → 极高性能：

$$\text{BERT}=\text{WordPiece Tokenisation}+\text{Transformer Encoder}+\text{Pretraining on Large Corpus}$$

BERT代表着“大模型+大数据”的范式首次登顶NLP任务榜单。

---

四、大模型时代的到来：训练成本问题

• 训练BERT等模型需要巨大的算力与存储资源。
• 这使得模型训练逐渐超出一般高校实验室的能力范围。
• 学术界被迫转向使用开源预训练模型进行微调（fine-tuning）。

---

五、加速训练的意义

为什么加速训练如此重要？

• 更快的训练速度 → 更大规模模型可行
• 支持“迭代实验” → 快速调参、验证新想法

---

六、Transformer的发展轨迹

模型	年份	主要贡献
Transformer（原始论文）	2017	提出“Self-Attention”
GPT-1	2018	首次使用Decoder-only结构进行语言建模
BERT	2018	Encoder-only + 双向掩码训练
GPT-2	2019	扩展模型规模（15亿参数）
GPT-3	2020	1750亿参数，展示“大模型能力的涌现”

---

七、Scaling Law：模型规模、数据和性能的关系

什么是 Scaling Laws（扩展定律）？

• 经验法则：在给定训练预算下，模型的最佳参数数量、数据量、训练步骤数之间存在关系。
• 使用这些法则可以估算最优模型大小。

公式表达如下：

若性能度量为损失 L，参数量为 N，数据量为 D，计算量为C，有如下规律：

$$L(N,D)\approx L_{\infty }+\frac{A}{N^{\alpha }}+\frac{B}{D^{\beta }}$$

其中 α,β>0，表示“规模扩展的收益递减”。

---

八、注意力的复杂度问题（Attention is Quadratic）

标准注意力机制的复杂度：

给定输入序列长度为 n，标准多头注意力机制的复杂度为：

$$O(n^2\cdot d)$$

其中 d 为表示维度。这种 二次增长 导致长文本处理效率极低。

---

九、解决注意力复杂度问题的模型变种

为了解决效率问题，研究者提出了多种“稀疏/线性注意力”方法：

模型	技术	特点
Performer	近似核函数	将注意力简化为线性形式
Longformer	局部+全局注意力	局部窗口提升效率
Linformer	投影降维	减少注意力矩阵维度
BigBird	稀疏注意力图	保留图的可达性结构

---

🔟 更大的瓶颈：内存带宽（Memory Bandwidth）

注意力不是最大瓶颈，真正的瓶颈是：内存带宽！

为什么内存带宽是瓶颈？

• 模型越大，每次训练所需数据吞吐越大。
• 内存访问比计算慢很多，导致等待内存成为主要时间消耗。

---

🔄 FlashAttention：显著提升训练速度的突破

• FlashAttention 是一种高效显存优化注意力计算方式。
• 通过将计算重写为CUDA核函数，利用寄存器和共享内存提升计算速度。

效果：

• 训练速度提升2-4倍
• 减少显存使用（支持更长序列）

---

🔁 Feedforward层主导计算（随着模型增大）

在大模型中，前馈网络（FFN）层的计算量远超注意力层，因为：

• 每层 FFN 通常为输入维度的 4 倍 → 计算密集
• 例如 GPT 模型中，前馈层占比超过 2/3。

---

📚 总结：Transformer大模型发展路径

1. 初期用于生成上下文词向量或端到端训练（如翻译）
2. BERT 等模型引入大规模预训练范式
3. 模型尺寸、数据量不断扩展（GPT-3等）
4. 提出 Scaling Law 进行建模
5. 面临注意力复杂度挑战 → 各类变体出现
6. 真正瓶颈为内存带宽 → FlashAttention 提升效率
7. 模型中 FFN 成为主要计算耗点