01. The Annotated Transformer:把论文变成可执行的解释
这份材料逐行实现 Transformer,把论文里分散的结构、掩码、训练日程和解码细节连接成一台能运行的机器。它本身没有提出 Transformer,却解释了“公式都看懂了,为什么代码仍容易写错”。
大模型算法、训练系统与工程实践的学习笔记。
Tag
30 essays under this label.
这份材料逐行实现 Transformer,把论文里分散的结构、掩码、训练日程和解码细节连接成一台能运行的机器。它本身没有提出 Transformer,却解释了“公式都看懂了,为什么代码仍容易写错”。
熵可以单调增加,结构复杂度却常先升后降:一杯牛奶刚倒入咖啡时有清晰边界,完全混匀后近似随机,最丰富的涡流出现在中间。文章尝试用算法信息论刻画这个直觉。
文章用字符级语言建模展示循环神经网络:只训练“给定过去字符,预测下一个字符”,模型就能生成近似莎士比亚、Linux 源码和 LaTeX 的局部结构,并在隐藏单元中形成可解释的引号、行首和代码区域状态。
这篇教程用图和逐项公式解释 LSTM:它把记忆状态设计成加法更新,并用遗忘、写入和输出三个门控制信息流,从而缓解普通 RNN 中反复非线性变换造成的长距离梯度消失。
论文给出一个简单规则:对深层 LSTM 的输入、层间和输出等非循环连接使用 dropout,保留时间方向的循环连接不受扰动。这样既能正则化大模型,又不在每一步反复破坏长期记忆。
论文把训练后的权重当作要发送给接收者的消息:模型拟合得更好会缩短残差编码,但精确、意外的权重需要更多比特。最小化两者之和,导出对权重分布而非单点权重的训练目标,是现代变分贝叶斯神经网络的早期原型。
普通 seq2seq 从固定词表生成符号;Pointer Network 把注意力分布直接当作输出分布,因此每一步输出的是“输入中的第几个元素”。输出类别数自然随输入长度变化。
AlexNet 把大规模标注数据、GPU 卷积、ReLU、数据增强、dropout 和足够容量组合起来,在 ImageNet 上把 top-5 竞赛错误率降到 15.3%,第二名为 26.2%。它证明当数据、计算和训练配方同时到位时,学习特征可以压倒手工视觉管线。
论文同时处理两个不同问题:输入是集合时,表示必须对排列不变;输出是集合时,同一答案有许多等价序列,训练必须选择或边缘化输出顺序。标题“顺序很重要”指优化会受线性化方式影响,即使任务语义不关心顺序。
GPipe 把连续网络层切到 K 个设备,再把一个 mini-batch 切成 M 个 micro-batch 依次穿过这些分区。设备处理不同微批次形成流水线;所有微批梯度累积后只做一次同步更新,避免异步权重陈旧。
ResNet 的决定性一步不是单纯加深网络,而是把一个层组写成 y = x + F(x)。恒等支路让信号和梯度拥有一条无参数的直达路径,残差支路只需学习相对输入的修正,于是“更深至少不应更差”从一个存在性论证变成了优化器更容易找到的参数化。
空洞卷积(dilated/atrous convolution)在卷积核采样点之间插入间隔,让感受野随层数指数扩大,同时保持特征图分辨率、参数量和每层采样点数。这解决了密集预测里“需要全局语义,却不能反复池化丢掉边界”的冲突。
MPNN 把一大批图神经网络归纳为两个阶段:节点沿边发送并聚合消息,反复更新局部状态;最后用对节点排列不敏感的 readout 得到整图预测。它既是具体分子性质模型,也是至今仍通用的 GNN 接口语言。
Transformer 去掉 encoder/decoder 中的循环和卷积,用多头自注意力在一层内连接任意位置,再用逐位置 MLP 变换内容。它将训练的关键顺序依赖从 O(n) 降为常数层级,使大规模并行训练和短路径长程依赖同时成为可能。
早期 seq2seq 把整条源句压进一个固定长度向量。Bahdanau attention 改为保存每个源位置的双向表示,并让 decoder 在生成每个目标词时,学习一组对齐权重、加权读取所需内容。对齐不再是外部流水线或离散隐变量,而是可端到端训练的软寻址。
原始 ResNet 的 shortcut 是恒等,但相加后仍经过 ReLU。本文推导:若 shortcut 和相加后的映射都为恒等,任意浅层到深层之间都有一条只含加法的前向/反向路径。将 BN、ReLU 移到卷积前的 full pre-activation block 更接近这一条件,也让 1001 层网络明显更易训练。
Relation Network(RN)枚举对象对,用同一个 gθ 计算每对关系,求和后由 fφ 回答问题:RN(O)=fφ(Σi,jgθ(oi,oj))。它把关系推理所需的参数共享、全对比较和顺序不变性直接放进架构,而不是指望普通 MLP/CNN 从数据中偶然学会。
强自回归 decoder 往往能绕过 VAE latent,造成 posterior collapse。VLAE 不只把这看成优化故障,而利用“信息偏好”:让局部 PixelCNN 负责可由邻域预测的纹理,迫使有限感受野之外的全局形状通过 z 传递;改变 decoder 可见的信息,就能控制 lossy representation 保存什么。
Relational Memory Core(RMC)把 RNN 的单一 hidden vector 改成固定数量的 memory slots;每个时间步先用多头 self-attention 让 slots 彼此交换信息、吸收新输入,再以 LSTM 式门控写回。它在不让历史缓存随时间增长的前提下,为跨时间关系推理加入显式归纳偏置。
热力学熵从低到高,但“有趣结构”在完全分层和完全混合时都低,似乎在中间最高。论文用粗粒化图像的压缩长度近似 apparent complexity,并以奶油扩散自动机实验这一“先升后降”。然而作者很快确认:原 interacting rule 也不会产生所声称的大中间复杂度,数值 bump 主要来自边界量化伪影。正确价值在问题、度量框架、负面定理和公开纠错,而不在那条已撤回的正面曲线。
NTM 把 controller 与外部 N×M memory matrix 相连。读写头不选一个离散地址,而产生对所有地址的软权重;读、擦除、添加、内容查找和地址移动全部可微,因此仅凭输入输出样例就能用梯度下降学出复制、关联检索和排序的近似算法。
Deep Speech 2 用 convolution + 深层双向/单向 RNN 直接把 spectrogram 映射为字符分布,以 CTC 边缘化未知帧—文本对齐,再用语言模型 beam search 解码。真正贡献还包括海量数据构建、RNN BatchNorm、SortaGrad、GPU CTC、分布式训练和低延迟部署,证明端到端 ASR 是系统工程而非删掉所有组件。
论文在约 10³–10⁹ 非 embedding 参数、22M–23B tokens 和跨多个数量级 compute 的训练中发现:语言模型 cross-entropy 对模型规模 N、数据 D、最优 compute C 近似幂律,并由此推导固定预算的 compute-efficient frontier。它把 scaling 从信念变成可实验估计,但具体指数不是自然常数,后来已被 Chinchilla 修正。
MDL 选择能让数据获得最短无歧义描述的模型。简单模型编码短但残差长,复杂模型残差短但自身或其模型类代价大;最短总码长在欠拟合和过拟合之间自动权衡。refined MDL 用 universal code/NML 取代随意的参数小数位编码,使原则成为可比较的统计方法。
论文把 intelligence 暂定为“agent 在广泛环境中实现目标的能力”,用按 Kolmogorov complexity 加权的所有可计算环境把它形式化;Solomonoff mixture 解决被动预测,AIXI 再加 sequential decision theory 选择动作。得到的是极强但不可计算的规范性上界,不是可直接运行的 AGI 配方。
一个有限对象的 Kolmogorov complexity 是输出它的最短程序长度;算法统计学再问,这些 bit 中多少是可复用的“模型结构”,多少只是模型内的随机索引。第 434 页附近的 two-part descriptions 正好把这一问题写成 model complexity + log model size,是 MDL、泛化和“规律与噪声”最严格的概念底座之一。
CS231n 不是单篇论文,而是一条“亲手写出并调通网络”的训练路径:数据划分、线性分类器、loss、解析/数值梯度、反向传播、初始化、正则、优化、卷积尺寸、经典架构、可视化、检测/分割、RNN 和工程瓶颈。它把书单中的许多局部突破装回一个能工作的完整流程。
这篇论文把 few-shot classification 设计成一个有外部记忆的序列任务:模型见到新样本后立即把“表示—临时标签”绑定写入记忆,再用内容寻址找回;它不靠许多步梯度更新,而靠一次 episode 内的快速状态变化完成学习。
Prototypical Networks 用 episodic training 学一个 embedding,在每个新任务中把某类 support embeddings 的均值当作 prototype,再按 query 到各 prototype 的距离分类。它没有内循环梯度,也没有复杂外部记忆,却以非常强的“每类形成单簇”归纳偏置得到稳定的 few-shot baseline。
Model-Agnostic Meta-Learning(MAML)不为任务手工设计记忆或度量,而是寻找一组初始化参数 theta:从这里出发,只用新任务的少量数据做一两步梯度下降,就能获得低的新任务损失。