AI 学习路线图 05 · NLP 与 Transformer

ielts 👁 4 · 💬 0 · 📅 2026-09-16

← Blog 📡 RSS

English version: AI Learning Roadmap 05 · NLP & The Transformer

05 · NLP 与 Transformer

AI 学习路线图 · 第 5 站（共 9 站）

为什么这一站重要

语言是现代 AI 的主要接口。每个聊天机器人、每个带答案框的搜索引擎、每个编程助手——全都建立在一个架构之上：Transformer，出自 2017 年的论文《Attention Is All You Need》（注意力就是你所需要的一切）。如果你理解 Transformer，你就理解整个大模型时代的引擎；如果不理解，第 6 站往后的一切对你来说都是无法调试的魔法。

好消息是：你现在已经掌握了 Transformer 需要的几乎所有东西。你懂嵌入（词即向量）、懂层和梯度、懂迁移学习。这一站只加一个真正的新想法——注意力——然后展示它如何组装成 BERT、GPT 以及此后一切的架构。

核心概念

1. 为什么语言很难（以及我们如何作弊）

文本是离散的、长度可变的、且极度依赖上下文的。"bank"在"river"旁边和在"money"旁边意思完全不同。旧方法（词袋、n-gram）要么忽略顺序，要么组合爆炸。现代管线分三步处理：

分词（Tokenization） —— 把文本切成 token。按词切分漏掉形态变化（"run"、"runs"、"running"）；现代子词分词器（BPE、WordPiece、SentencePiece）切成高频子词单元：tokenization → token + ization。这让词表保持在可控规模（约 5 万 token），并处理任何词——包括生造的词。你会一直用 Hugging Face 的分词器；重要的是要知道：token ID 而不是字符，才是模型的字母表。
嵌入（Embedding） —— 把每个 token ID 映射成稠密向量。关键性质（从数据中学到）：语义相近的词距离相近，关系变成向量运算（国王 − 男人 + 女人 ≈ 王后）。这就是分布语义学：一个词由它周围的词来刻画。（你在第 4 站见过 word2vec；现在它成为一切的输入层。）
位置编码 —— Transformer 同时处理所有 token，本身没有顺序概念；我们把位置信息注入每个 token 的表征，让"狗咬人" ≠ "人咬狗"。

2. 注意力：唯一的新想法

先看它解决的问题：要理解"猫追老鼠，因为它饿了"里的"它"，模型必须跨距离把"它"连到"猫"——而 RNN 无法可靠地跨那么远传递信息。

注意力是对整个上下文的加权查找。 对每个 token，模型看遍其他所有 token，决定：我该以多大权重关注每一个？ 具体来说，每个 token 产生三个向量：

查询（Query，Q） —— 我在找什么？
键（Key，K） —— 我包含什么？
值（Value，V） —— 我实际贡献什么？

然后：每个查询给每个键打分（点积 = 相似度），分数变成权重（softmax），token 的新表征就是值的加权和。大白话："我提出我的问题，看看哪些词最相关，按相关度比例把它们的信'混合'进来。"

两个关键改进：

多头注意力 —— 用不同的学得投影并行跑多次注意力，让模型能同时关注不同类型的关系（句法、指代、情感、位置）。每个头是不同"镜头"。
自注意力 —— 每个 token 关注同一序列里的所有 token。这给了 Transformer 两大超能力：长距离依赖（任意两个 token 只隔一步）和并行性（所有 token 同时处理，不像 RNN——这正是它能扩展到数十亿参数的原因）。

代价：注意力是序列长度的 O(n²)（每个 token 关注每个 token）。1,000 token 的输入是 100 万对——可控；100,000 token 就是问题，你会在第 6 站再遇到。

3. Transformer 架构

Transformer 是一叠相同的块，每块是：

Token 嵌入 + 位置编码
        │
   [ 自注意力 ] ──┐
        │         │ 残差连接 (+)
   [ 层归一化 ]   │
        │         │
   [ 前馈网络 ] ──┤
        │         │
   [ 层归一化 ]   │
        │         │
        ▼         ▼
   下一个块（形状相同）

两个结构习惯解释了整个设计：

残差连接 —— 每个子层是 x + 子层(x)（你在 ResNet 见过）。梯度自由流动，所以可以堆 100+ 层。这是深度学习的规模化实践。
层归一化 —— 稳定训练（序列场景下批归一化的现代近亲）。

编码器 vs 解码器 —— 家族分叉点：

仅编码器（BERT、RoBERTa）：双向读文本——每个 token 关注左右所有其他 token。擅长理解：分类、问答、检索。
仅解码器（GPT、Llama 和所有现代大模型）：从左到右生成；每个 token 只能看之前的（因果掩码——否则模型能"作弊"看到答案）。擅长生成。
编码器–解码器（T5、BART）：编码器读输入，解码器生成输出。翻译和摘要的经典选择。

**当代格局注记：**仅解码器赢了。从 GPT-4 到开源模型（Llama、Mistral、Qwen、DeepSeek）全都是为预测下一个 token 训练的解码器。今天人们说"LLM"，指的就是放大了的解码器。

4. 预训练与微调 —— 配方

Transformer 的另一场革命在怎么训练，分两个阶段：

预训练 —— 在海量无标注文本上用自监督目标训练：
- BERT：掩码语言建模——藏起 15% 的 token，学预测它们（完形填空）。模型必须理解上下文两侧。
- GPT：下一个 token 预测——给定前缀，预测下一个 token，一遍又一遍，在数万亿 token 上。
- 不需要人工标签——文本本身就是标签。这就是规模化成为可能的原因：互联网就是数据集。
微调 —— 拿预训练模型，在你的小规模带标签数据集上继续训练，适配你的任务（情感、分类、摘要）。这就是迁移学习，和你在第 4 站用 ResNet 做的一模一样——大数据上预训练，小数据上适配。

结果就是定义现代 NLP 的模式：一个预训练模型，无限任务。 还有一个你会在第 6 站遇到的额外能力——上下文学习：足够大的预训练模型，往往只需提示里给几个例子就能完成新任务，完全不用更新权重。

5. Hugging Face 生态

Hugging Face 是标准工具链，它的美在于一致性：无论什么架构的模型，都共享同一套三个 API。

tokenizer —— 文本 → 输入 ID（tokenizer("你好！")），填充/截断内置。
model —— 输入 ID → 预测；AutoModelForSequenceClassification、AutoModelForCausalLM 等。
pipeline —— 一行完成整个任务：pipeline("sentiment-analysis")("I love this!")。
Hub —— 成千上万的预训练模型和数据集，一次搜索即可。这是你下载 BERT、GPT-2、Llama 以及一切的地方。

工具与技能

Hugging Face Transformers —— 库本身（pip install transformers）。
Hugging Face Datasets —— 加载标准数据集（IMDB、GLUE 等）。
GPU（Colab/Kaggle 免费额度）用于微调。
可选：Weights & Biases 追踪微调运行。

动手任务

**探索分词器（第 1 天）。**加载一个 BPE 分词器；分词一句英文和一句中文；检查 token ID；再解码回去。看看子词如何处理形态，以及词表大小如何影响每词的 token 数。
**可视化注意力（第 2–3 天）。**加载一个小预训练模型，可视化一个句子的注意力图——原论文有经典图；bertviz 让它可交互。看"它"关注"猫"。这一刻，架构才真正变成现实。
**微调 BERT（第 2 周）。**用 Hugging Face Trainer 在 IMDB（或任意分类数据集）上微调 bert-base-uncased 做情感分类。达到 90%+ 准确率。和你第 4 站的文本分类器对比：同样的任务，但这个模型先在整个英语上预训练过。
**用 GPT-2 生成（第 2–3 周）。**加载一个小解码器模型（GPT-2 或现代小模型）；生成文本；实验 temperature（越高越狂野）和 top-p 采样；近距离观察重复——一个真实的失败模式。
**摘要（第 3 周）。**用编码器–解码器模型（比如 BART 或 T5）通过 pipeline("summarization") 摘要一篇长文；看长度控制，以及摘要如何在大长输入上退化（上下文长度问题的预告）。

里程碑检查点

满足以下条件，你才能进入第 6 站：

你微调了一个预训练 Transformer 做分类，而且明显胜过你第 4 站的模型。
你能用自己的话解释 Q、K、V——各自在"问"什么、"答"什么。
你能解释仅编码器、仅解码器、编码器–解码器的区别，并各举一个模型。
你能解释预训练和微调的区别，以及为什么无需标签就能在原始文本上预训练。
你生成了文本，并说出你观察到的两个失败模式。

精选资源

Jay Alammar —— The Illustrated Transformer—— 史上最好的视觉解释；读两遍。
Hugging Face NLP 课程—— 实践圣经；第 1–7 章覆盖这一站的一切动手内容。
The Annotated Transformer（哈佛）—— 论文逐行、用可运行 PyTorch 实现。想多深就多深。
《Attention Is All You Need》（Vaswani 等，2017）—— 原论文；看完 Illustrated Transformer 后它就会变得可懂了。
Andrej Karpathy —— Let's build GPT—— 约两小时从零构建一个 GPT；"我真的懂了"的终极时刻。

时间规划

**总计：**约 4 周，每周 10–15 小时（约 50 小时）。
**建议安排：**第 1 周 → 分词、嵌入、注意力（任务 1–2）；第 2 周 → 架构 + 微调 BERT（任务 3）；第 3 周 → 生成 + 摘要（任务 4–5）；第 4 周 → 复习、读论文、里程碑。

衔接下一站

你现在理解这台引擎了。第 6 站拉远镜头，看建立在它之上的机器：当这个架构放大到数十亿参数、用大半个互联网训练时会发生什么——涌现的能力、驯服它们的对齐技术、这些模型如何上线服务，以及如何诚实地评估它们。你将完成从"Transformer 怎么工作"到"大模型到底是什么"的跨越。