【收藏必看】大模型核心原理解析：从注意力机制到FlashAttention

01 注意力机制

1. 直觉层面：人类是如何“注意”的？

想象在读一句话：“那只苹果掉在了地上，因为它熟透了。”

当读到“它”这个字时，你的大脑会瞬间自动回顾前面的词。为了理解“它”指代什么，你会重点关注“苹果”，而忽略“地上”或“那只”。

这就是注意力：

• 在没有注意力机制之前（如早期的 RNN）：模型处理长句子时像个记性不好的人，读到后面就忘了前面。
• 有了注意力机制：模型可以随时“回头看”，并且知道看哪里、看多重。它能计算出“它”和“苹果”的关系最紧密（权重最高）。

2. 核心原理：查询（Q）、键（K）与值（V）

这是理解注意力机制最关键的技术概念。Transformer 架构（大模型的基础）将输入的数据拆解为三个向量：

• Query (Q) - 查询：我想找什么？
• Key (K) - 键：特征的标签是什么？
• Value (V) - 值：实际包含的内容是什么？

举例说明：“想象去图书馆查资料，注意力机制的计算过程就像这样”：

2.1 提出 Query (Q)：你拿着一张写着“量子力学”的纸条（Q）。

2.2 匹配 Key (K)：你走过书架，把纸条（Q）和每本书脊上的分类标签（K）进行比对。

2.3 计算相关性（注意力分数）：

• 标签是“物理学”的书，匹配度很高（分数高）
• 标签是“烹饪”的书，匹配度几乎为零（分数低）

2.4 加权提取 Value (V)：你不会把所有书都借走，你只会把那些匹配度高（Key 和 Query 相似）的书的内容（Value）取出来，融合在一起。

在模型中：当模型处理一个词时，它会拿这个词的 Q，去和句子里所有其他词的 K 进行“点积”运算（计算相似度），算出权重后，再把这些词的 V 加权求和。

3. 自注意力机制 (Self-Attention)

大模型中最常用的叫“自注意力”。意思是：自己查自己。

输入一句话：“I love AI”。在处理单词 “AI” 时：

• “AI” 发出 Query。
• 它去和 “I”, “love”, “AI” 这三个词的 Key 分别比对。
• 它发现 “love” 和 “AI” 的关联很强（动宾关系），于是分配更多的注意力权重给 “love”。
• 最终，“AI” 这个词的表示向量里，就融入了 “love” 的信息。

结果：经过这一层处理，单词不再是孤立的符号，而是包含了上下文信息的丰富向量。

4. 多头注意力 (Multi-Head Attention)

如果只有一组注意力，可能只能捕捉到一种关系（比如语法关系）。但语言是复杂的。

“多头”就像是请了多个专家同时读这句话：

• 专家 A（头 1）：关注语法结构（主谓宾）。
• 专家 B（头 2）：关注指代关系（“它”是谁）。
• 专家 C（头 3）：关注情感色彩（是褒义还是贬义）。

模型将这些“头”的结果拼接起来，就能从多个维度通过全方位地理解这句话。这就是为什么大模型能表现出惊人的理解力。

5. 为什么它引发了 AI 革命？

在注意力机制出现之前（RNN/LSTM 时代），AI 面临两大难题：

• 长距离遗忘：文章写长了，开头的信息到结尾就丢了。
• 无法并行计算：必须读完第一个词才能读第二个词，训练极慢。

注意力机制解决了这两个问题：

• 全局视野：无论句子多长，它都能一步跨越距离，直接把结尾和开头联系起来（天涯若比邻）。
• 并行计算：它可以同时处理整篇文章的所有词，大大加快了训练速度（这也是 GPT 能做得这么大的原因）。

简单来说，大模型里的注意力机制就是一种资源分配方案：在处理海量信息时，不平均用力，而是根据上下文的相关性，给重要的信息高权重，给不重要的信息低权重，从而精准地捕捉数据间的深层逻辑关联。

问题及回答

问题一：计算注意力时，是单项的，还是双向的？在 I Love AI 时，计算 Love 时，处理前面的 I，也会关注后面的 You 吗？

答案是：这取决于使用的是哪种架构的模型。 它可以是双向的，也可以是单向的。

但在目前最火的生成式大模型（如 GPT、Claude、Llama）中，绝大多数情况下是单向的。

为了讲清楚，我们把“I Love AI”这个例子放在两种不同的场景下看：

1. 单向注意力 (Unidirectional / Causal Attention)

• 代表模型：GPT 系列（以及几乎所有的聊天机器人）
• 这就是我们常说的“Decoder-only”架构。
• 场景：你要让模型像人说话一样，一个字一个字地往外蹦。
• 规则：为了预测下一个字，模型绝对不能偷看后面已经存在的字（否则就是作弊了，它就学不会预测了）。

处理过程，当模型在处理 “Love” 这个词时：

• 它能看到前面的 “I”。
• 它完全看不到后面的 “AI”（这部分会被一个叫“掩码/Mask”的东西挡住，在计算中强制归零）。
• 它的任务：根据 “I” 和 “Love” 的注意力计算，去猜后面那个词是 “AI” 还是 “You”。

结论：在 GPT 这种生成式模型里，计算 “Love” 时，只关注 “I”，不关注后面的词。 时间是单向流动的。

2. 双向注意力 (Bidirectional Attention)

• 代表模型：BERT（主要用于理解任务，如情感分析、完形填空）
• 这就是我们常说的 Encoder-only（仅编码器）架构。
• 场景：模型不需要生成文本，而是要“理解”这句话是褒义还是贬义，或者是做完形填空（I Love [MASK]）。
• 规则：既然句子都已经写完了，为了读懂意思，当然是前后的信息都要看。

处理过程，当模型在计算 “Love” 的特征时：

• 它会同时计算与 “I”（主语）的关联。
• 也会同时计算与 “AI”（宾语）的关联。
• 因为它知道后面是 “AI”，它才能确定这个 “Love” 是对技术的喜爱，而不是对人的喜爱。

结论：在 BERT 这种理解型模型里，计算 “Love” 时，既关注前面的 “I”，也关注后面的 “AI”。 它是拥有“上帝视角”的。

问题二：为什么现在的“大模型”主要是单向的？

你可能会问，双向看起来更聪明（能看到全文），为什么现在的 ChatGPT 等大模型主要用单向？

原因在于通用性：

• 双向模型（BERT）：擅长做阅读理解和分类，但它不擅长写文章。因为它习惯了一眼看全貌，不知道怎么从无到有地顺序生成。
• 单向模型（GPT）：虽然在处理某个词时看不到后面，但这种“根据上文预测下文”的能力，恰恰是人类语言生成的本质。只要数据量够大，单向模型也能涌现出极强的理解能力。

总结上面的例子 “I Love AI”：

• 如果你是在训练或使用 ChatGPT（生成式）：在处理 Love 时，模型只能看见 I。它看不到 AI。它是根据 “I Love” 算出的概率，预测出了 “AI”。
• 如果你是在用 Google 搜索的语义分析（理解式）：模型在分析 Love 时，同时也看见了 AI。它利用 “AI” 这个词来确认 “Love” 的具体语境。

问题三：多头注意力具体是怎么计算的？

要理解多头注意力（Multi-Head Attention，MHA）的具体计算过程，我们需要深入到矩阵运算的层面。

不要担心，只要你理解了“向量”是一排数字，我们就可以把这个过程拆解得非常清晰。

我们假设输入一句话：“I Love AI”，我们要计算这句话的自注意力。

核心逻辑：分而治之

多头注意力的核心思想是：把长的向量切成几段，每一段代表不同的特征空间（Subspace），分别计算，最后再拼回来。

假设我们的模型参数设置如下：

• 词嵌入维度（d_model）：512（每个词用 512 个数字表示）。
• 头的数量（h）：8 个头。
• 每个头的维度（d_k）：512/8=64（每个头用 64 个数字就好了）。

下面是具体的计算 4 个步骤：

第一步：线性投影（Linear Projection） 这是“多头”产生的源头。

对于“Love”这个词，它最初的向量是 X（长度 512）。我们不直接用它算，而是先让它通过 8 组不同的线性变换矩阵（权重矩阵 W）。

对于第 i 个头（比如第 1 个头），我们有专属的权重矩阵：

计算公式：

直观理解：

• 虽然输入都是同一个“Love”，但头 1 的矩阵可能提取的是“词性特征”（算出 Q1）；
• 头 2 的矩阵可能提取的是“时态特征”（算出 Q2）；
• 头 3 的矩阵可能提取的是“指代特征”（算出 Q3）。

此时，我们就得到了 8 组不同的 Q，K，V向量，每组向量长度仅为 64。

第二步：独立计算注意力（Scaled Dot-Product Attention）

现在，8 个头就像 8 个独立的工人在平行工作。每个头只拿自己的 Q_i，K_i，V_i 去算分。

以头 1 为例，计算“Love”对“I”和“AI”的注意力：

得到结果 Z_1（长度 64）。

同时，其他 7 个头也在做完全一样的事情，分别得到 Z_2，Z_3，…Z_8。

注意：头 1 可能觉得 “AI” 重要（语义关联）；头 2 可能觉得 “I” 重要（主谓搭配）。它们互不干扰。

第三步：拼接（Concatenation）

现在的局面是，我们手头有 8 个长度为 64 的小向量（Z_1 到 Z_8）。

为了恢复原来的维度，我们直接把它们首尾拼接起来。

拼接后的总长度 =64*8=512。这就变回了和最开始输入一样的维度。

第四步：最终线性融合（Final Linear Projection）

虽然拼起来了，但现在这 512 个数字里，前 64 个只包含头 1 的信息，后 64 个只包含头 2 的信息，它们之间还没“交流”过。

所以，最后需要乘上一个巨大的权重矩阵 W^O（Output Matrix）。

这一步的作用是：把 8 个头捕获到的不同侧面的信息（语法、语义、指代等）进行混合融通，整合成最终的输出向量。

总结：全流程图解

想象你要写一篇关于“Love”的分析报告（输出向量）：

• 分发任务（投影）：你找了 8 个实习生（Head），给每人发了一副不同颜色的眼镜（W^Q，WK，W^V）。
• 独立调研（注意力计算）： 戴红眼镜的实习生只看语法，他觉得 Love 和 I 关系紧密。 戴蓝眼镜的实习生只看语义，他觉得 Love 和 AI 关系紧密。
• 汇总报告（拼接）：大家把各自写的 64 字短评交上来，你把它们按顺序贴在黑板上。
• 润色总结（最终投影）：你作为主编（W^O），把这些零散的短评统筹修改，写成一篇连贯的 512 字深度文章。

问题四：在实际计算过程中，I Love AI，3 个单词向量自注意力计算是并发的，同步进行的吗？还是后面 Love 的计算，需要依赖I的计算结果？

答案分为两种情况：

• 在训练时： 是完全并发、并行的。
• 在推理时： 是串行的（必须要等前面算完）。

我们详细拆解这两种情况：

情况一：训练阶段（上帝视角）

状态：并发、同步进行

在训练时，我们已经拥有了完整的数据集（比如这句话就是 “I Love AI”）。虽然我们目的是训练模型学会“预测”，但我们为了效率，会把整句话一次性扔给 GPU。

1.矩阵并行运算

模型接收的输入不是一个词，而是一个 3 行 x 512 列的大矩阵（矩阵 X）。

• 第一行是 “I”
• 第二行是 “Love”
• 第三行是 “AI”

当模型计算 Q，K，V 时，它做的是矩阵乘法。GPU 会在同一瞬间，算出 3 个词所有的 Q、所有的 K，所有的 V。

2.Mask（掩码）的魔法

你可能会问：“如果不按顺序算，模型在算 ‘Love’ 的时候，岂不是偷看到了后面的 ‘AI’？”

这就用到了 Mask（掩码）矩阵。

虽然 GPU 并行计算了所有的注意力分数（Score），但在计算 Softmax 之前，我们会人为地给矩阵里“未来”的位置填上负无穷大（-∞）。

在算 “Love” 这一行时，虽然物理上算出了它和 “AI” 的关系，但 Mask 强行把它变成了 0。

结果：物理计算是并行的（为了快），但逻辑上被 Mask 限制成了单向可见。

**结论：**在训练时，计算 “Love” 不需要等 “I” 算完。它们是一起进炉子，一起出炉的。这就是 Transformer 能够取代 RNN 的最大原因——训练速度极快。

情况二：推理阶段（你和 ChatGPT 聊天时） 状态：串行、一步步进行

当你给模型输入 “I” 让它往下续写时，情况就不一样了。

1.必须排队

因为此时 “Love” 和 “AI” 根本还不存在！模型必须先算出 “Love”，把它输出出来，然后把 “Love” 填回输入端，才能开始算 “AI”。

• 第 1 步：输入 [I]，算出 Love。
• 第 2 步：输入 [I, Love]，算出 AI。

2.Love 的计算依赖 I 吗？

• 是的，有依赖。
• 当计算 “Love” 的注意力时，模型需要拿 “Love” 的 Q去和 “I” 的 K 进行匹配。
• 如果 “I” 的信息还没有被处理好（拿到 K 和 V），”Love” 是没法算的。

3.KV Cache（KV 缓存技术）

为了加速，实际推理中有一个极其重要的优化叫 KV Cache。

当算完第 1 步（”I” -> “Love”）后，模型会把 “I” 的 K 和 V 向量存起来（Cache）。

当进行第 2 步（算 “AI”）时：

• 模型不需要重新计算 “I” 和 “Love” 的 K，V。
• 它直接去缓存里读之前的 K，V。
• 它只需要针对新来的 “AI” 计算它自己的 Q，K，V，然后和缓存里的老数据进行交互。

结论：在推理时，虽然是串行的，但通过缓存技术，我们不需要每次都把前面的历史重算一遍，只需要计算“当前这个新词”和“过去所有词”的关系。

02 transformer 的层

（1）整体看层

transformer 有很多层，上述注意力的计算是发生在每一层。

如果一个大模型（比如 GPT-3）有 96 层，那么针对每一个词，上述的“多头注意力”计算就会连续进行 96 次。

但是，虽然计算公式是一样的，但每一层处理的内容和关注的重点是完全不同的。这是理解深度学习“深度（Deep）”二字的关键。

我们可以通过三个维度来深入理解这个过程：

一. 数据的接力棒：从“词义”到“思想”

你可以把这几十层想象成一个公司的层级架构，数据是从底层员工一层层往上传递给 CEO 的。

第 1 层（基层员工）：

• 输入：最原始的词向量（Embeddings）。比如“I”、“Love”、“AI”的字典定义。
• 注意力关注点：这层主要关注邻近的词和语法结构。比如看到“Love”，它通过注意力机制发现前面是“I”，于是把它们拼在一起，确认这是一个动词。
• 输出：包含初步语法信息的向量。

中间层（中层管理）：

• 输入：第 1 层的输出结果（不再是原始词向量了，而是融合了上下文的混合向量）。
• 注意力关注点：关注语义和短语搭配。比如它不再纠结“Love”是动词，而是开始分析“Love AI”这个搭配，可能意味着“对科技的热情”。
• 输出：包含更丰富语义信息的向量。

高层（高管/CEO）：

• 输入：中间层的输出。
• 注意力关注点：关注逻辑、指代、语气、长距离依赖。在这一层，模型可能会把“AI”和几千字之前提到的“Deep Learning”联系起来，理解整篇文章的主旨。
• 输出：高度抽象的“思想”向量，用来预测下一个字。

结论：每一层的输入都是上一层的输出。随着层数加深，向量里包含的信息越来越抽象，越来越接近人类的“理解”。

二. 参数是独立的：每一层都有自己的“大脑”

这是一个非常重要的技术细节：

虽然每一层都在算 Q，K，V，都在算 Softmax，但每一层拥有的权重矩阵（W^Q，WK，W^V，WO）是完全独立的！

• 第 1 层的参数：专门训练用来识别简单的词法关系。
• 第 96 层的参数：专门训练用来识别复杂的逻辑推理。

它们互不共享。这也就是为什么大模型参数量这么大（比如 Llama-3 70B 有 700 亿个参数），因为这几百亿个参数被分摊到了几十个层里，每层都有好几亿个参数在各司其职。

三. “三明治”结构：层里不只有注意力

为了严谨，必须补充一点：Transformer 的“一层”（Block）里，并不是只有注意力机制。

它通常是一个“三明治”结构：

• 多头注意力（Multi-Head Attention）：负责“左右看”，从上下文里吸取信息。
• 残差连接与归一化（Add & Norm）：防止算着算着数据崩了。
• 前馈神经网络（Feed-Forward Network，FFN）：负责“独立思考”。注意力机制是把大家的信息以此融合。FFN 是把融合后的信息进行消化、记忆和非线性变换。
• 残差连接与归一化（Add & Norm）。

这个“三明治”整体被称为一层。 数据穿过这层三明治，就被“升华”一次。

总结，回到例子“I Love AI”：

• 第 1 层的注意力计算：让“Love”知道它是“I”发出的动作。
• …中间几十层…：不断丰富“Love”的内涵，加入情感色彩、语境判断。
• 最后 1 层的注意力计算：此时的“Love”这个向量，已经不再是单纯的单词，它包含了整句话甚至整段话的逻辑。模型最后根据这个高度浓缩的向量，推断出如果后面还要接字，该接什么（比如接句号）。

所以，注意力机制就像是每一层都在进行的“信息筛选与融合大会”，开完一层会，大家对信息的理解就深一层。

（2）前馈神经网络（FFN）

FFN 是把融合后的信息进行消化、记忆和非线性变换。

如果不理解 FFN（前馈神经网络），就只理解了模型的一半。

我们可以把注意力机制和 FFN 做一个形象的对比：

• 注意力机制（Attention）：像是“社交”。它的任务是去“看别人”，搞清楚大家之间的关系，把相关的信息搜集过来。
• 前馈神经网络（FFN）：像是“大脑皮层的独立思考”。它的任务是不再看别人，而是盯着自己手头刚刚搜集到的信息，去查阅脑子里的知识库**，进行理解和推理。

我们把“消化”、“记忆”和“非线性变换”拆开来讲：

1. “消化”：信息的独立整合

在注意力层（Attention）结束时，单词“Love”已经从周围吸取了“I”和“AI”的信息。它的向量里混合了主语、宾语的特征。

但是，这只是一堆混合的原材料。FFN 是按位置独立计算的（Position-wise）。

意思是，FFN 在处理“Love”这个向量时，完全切断它和“I”、“AI”的联系。它关起门来，独自面对“Love”这个混合向量，开始分析：

嗯，这个向量里包含‘动作’特征，也包含‘科技’语境，还包含‘肯定’的情绪。把它们揉碎了重组一下，这应该表示一种‘对技术发展的认可’。

这就是消化：将注意力机制“搜刮”来的外部信息，整合成内在的特征。

2. “记忆”：存储静态知识的仓库

这是近年来研究最激动人心的发现：大模型学到的“死知识”（百科全书），很大程度上是存在 FFN 的参数里的。

FFN 的内部结构其实就是两个巨大的矩阵相乘。研究人员发现，这很像是一个Key-Value（键-值）存储器。

举个例子，当你想补全：“中国的首都是 [MASK]”。

注意力层：把“中国”和“首都”这两个词联系起来，告诉模型“我们要找一个地点”。

FFN 层：

• 输入向量激发了 FFN 中的某些神经元（Key），这些神经元代表了“中国+首都”这个概念。
• 这些神经元被激活后，输出了一个数值（Value），这个值对应的就是“北京”。

为什么说 FFN 是记忆？

因为大模型 2/3 的参数都在 FFN 里。注意力层只负责指路（根据上下文关注哪里），而 FFN 负责查字典（根据指路的结果提取具体的事实和知识）。

如果模型背错了知识（比如瞎说中国首都是上海），通常是 FFN 里的参数（权重）没训练好。

“非线性变换”：让模型变聪明。这是数学上的必要性，也是“智能”产生的根本。

FFN 的结构通常是：线性变换 -> 激活函数（ReLU/GELU） -> 线性变换。中间这个激活函数就是“非线性”的来源。

为什么要非线性？

如果只有线性变换（加法和乘法），无论你叠多少层神经网络（100 层、1000 层），这 1000 层最后都可以被数学简化成 1 层。也就是 2 x 2 x 2 = 8，和你直接乘 8 没区别。

模型就变成了简单的线性回归，它永远无法理解复杂的语言逻辑（比如双关语、反讽、逻辑陷阱）。

非线性做了什么？

激活函数（比如 ReLU）引入了“判断”和“折叠”的能力：它说：“如果这个信号大于 0，我就传递它；如果小于 0，我就把它关掉（置为 0）。”

这就像电路里的开关。有了非线性，神经网络才能把输入空间进行极度复杂的扭曲和分割。

它能区分：虽然“苹果”和“华为”经常一起出现，但在“吃”这个语境下，要把“华为”这个概念关掉（置 0），只保留“水果”的含义。

这种复杂的分类和决策能力，就是非线性变换带来的。

总结：一个生动的比喻

想象大模型是一个正在做阅读理解题的学生。

注意力机制（Attention）：

• 这是眼睛。
• 学生读到“它”字，眼睛快速扫视前文，看到了“苹果”。
• 作用：建立连接，获取上下文。

前馈神经网络（FFN）：

• 这是大脑。
• 眼睛告诉大脑：“现在的词是‘它’，指的是‘苹果’。”
• 大脑开始查阅记忆（FFN 的参数）：苹果是什么？是红的、圆的、能吃的。
• 大脑进行非线性思考（激活函数）：既然前文说是“掉在地上”，根据常识（非线性判断），这里应该强调它的“物理实体”属性，而不是“苹果公司”。
• 作用：理解概念、调用知识、进行推理。

所以，FFN 就是那个把看来的信息（融合后的信息）吃进去，通过查阅脑子里的百科全书（记忆），经过复杂的逻辑判断（非线性），最后产出理解结果的消化系统。

（3）残差和层归一化

在大模型的“三明治”结构中，Add & Norm 往往是最容易被忽视，但实际上是也是最不可或缺的组件。

没有它们，深达几十层甚至上百层的模型根本无法训练——它们会因为梯度消失或数值爆炸而“瘫痪”。

我们可以把它们看作是“保真直通车”（Add）和“数据质检员”（Norm）。

1.输入与输出（Input & Output）

在讲原理之前，先明确一个极其重要的前提：Add & Norm 不改变数据的形状（Shape）。

• 输入：一个向量 x（比如长度为 512）。这就是进入注意力层或 FFN 层之前的那个原始数据。
• 中间处理：注意力层或 FFN 层对 x 进行了一顿操作，算出了一个新的结果，记为 F（x）。
• 操作：将原始的 x 和新的 F（x）相加，然后进行归一化。
• 输出：一个新的向量 y（长度依然是 512）。

2.残差连接（Add / Residual Connection）

公式：Output=x+F（x）

怎么计算？ 就是简单的元素对位加法。假设 x=【1,2】，经过一层处理后变化量 F**（x）=【0.1，-0.1】。那么 Add 的结果就是 【1.1,1.9】。**

作用是什么？它的核心作用是“防止遗忘”和“拯救梯度”。

直觉理解：传话游戏 想象有 100 个人排成一队传话（这就好比 100 层的深层网络）。

• 没有 Add：第 1 个人说了一句“我爱 AI”，传到第 100 个人时，因为中间每个人的理解偏差，可能变成了“吾爱阿姨”。这就叫信息丢失。
• 有 Add：第 1 个人把纸条传给第 2 个人，同时大喊一声告诉第 2 个人原话是什么。第 2 个人结合纸条和听到的大喊声，综合处理传给第 3 个人。
• 这就相当于：下一层不仅拿到了上一层的处理结果，还保留了上一层的原始信息。

深度学习视角：梯度高速公路

当模型很深时，反向传播（训练模型调整参数的过程）会因为层数太多，信号越来越弱（梯度消失），导致前几层的参数根本没法更新。

有 x+F（x），梯度可以直接沿着 x 这条“高速公路”一路无损地传回第一层。这是训练深层神经网络（Deep Learning）能成功的基石。

3.层归一化（Norm / Layer Normalization）

公式：

怎么计算？假设经过 Add 之后，向量是 z=【10，100，-50，…】。数值范围跨度很大，这会让模型很难学。

• 求平均（μ）：算出这一个向量里所有数字的平均值。
• 求方差（σ）：算出这些数字的离散程度。
• 标准化：把向量里的每个数字，减去平均值，再除以标准差。 结果：这就把数据强行拉回到了一个平均值为 0，方差为 1 的标准正态分布（大概都在 -2 到 +2 之间）。
• 缩放和平移（γ，β）：这是可学习的参数。模型如果觉得“标准分布不好，我想让它稍微偏一点”，它可以通过调整这两个参数把数据再挪一挪。

作用是什么？它的核心作用是**“统一度量衡”和“稳定训练”**。

直觉理解：考试评分

• 有的层算出来的分数值很大（比如 0 到 10000），有的层算出来很小（0.001）。这就像两个老师改卷子，一个总分 1000 分，一个总分 10 分。
• 如果不统一，模型就会晕头转向，不知道哪个特征重要。
• Norm 的作用：强制把所有人的分数都转换成“标准分”（Z-score）。无论你之前是几千还是几位小数，现在大家都站在同一个起跑线上比较。

4.整体流程图解

回到 Transformer 的一层（比如 Post-LN 结构）：

• Input x 进来了。
• 分流：一支队伍带着 x 去做注意力计算（或者 FFN），辛苦半天算出结果 F（x）。另一支队伍带着 x 啥也不干，直接走旁边的小路（Shortcut）。
• 汇合（Add）：在出口处，把 F（x）和原始的 x 加起来。 此时 z=x+F（x）。
• 质检（Norm）：看着 z 的数值乱七八糟的，赶紧做个归一化。 最终输出 y=Norm（z）。

总结：

• Add 告诉模型：“别忘了你原本长什么样（保留底色），所有的改变都只是在原有的基础上进行微调。”
• Norm 告诉模型：“不管你算出的数字多离谱，都给我规矩点，保持队形（数据分布稳定），这样下一层才好处理。”

计算细节：就像 FFN 一样，LayerNorm 也是严格按位置独立计算的。

LayerNorm 在处理“I”这个词的时候，完全不看“Love”和“AI”的数据。

为了透彻理解这个“独立性”，我们需要精准地定义一下大模型里的数据形状，以及 LayerNorm 到底是在哪个维度上进行“切一刀”计算的。

1.数据的形状（The Shape of Data）

假设我们的输入依然是 “I Love AI”。 在模型内部，这句话的数据是一个三维的张量（Tensor）：

• 维度 1（Batch）：1（只有这1句话）
• 维度 2（Sequence Length）：3（有3个词：I, Love, AI）
• 维度 3（Hidden Dimension）：512（每个词用 512 个数字表示特征）

你可以把它想象成 3 张独立的卡片，每张卡片上密密麻麻写着 512 个数字。

2.LayerNorm 怎么算？（单张卡片内部的操作）

当 LayerNorm 开始工作时，它是针对每一张卡片单独操作。

对于“I”这张卡片（512 个数字）：

• 算平均值：把这 512 个数字加起来除以 512，得到 μI。
• 算方差：看这 512 个数字波动有多大，得到 σI。
• 归一化：把这 512 个数字，每个都减去 μI 再除以 σI。

关键点来了：

• 在算“I”的平均值时，完全不需要用到“Love”那张卡片上的任何数字。
• 哪怕把“Love”和“AI”这两个词删掉，或者换成“Hate”和“Apples”，“I”这个词经过 LayerNorm 计算后的结果（在归一化这一步）是完全不受影响的（假设它进入 LayerNorm 前的数值没变）。

这就是所谓的“按位置独立（Position-wise）”。

3.为什么要这么设计？

如果 LayerNorm 不是独立的（比如它是像 BatchNorm 那样跨样本计算，或者是跨词计算），会有什么问题？

问题：变长序列的处理，在推理（聊天）的时候，句子是不断变长的。

• 第一秒：I
• 第二秒：I Love
• 第三秒：I Love AI

如果 LayerNorm 也要看后面的词，那当“I”单独出现时，和“I”在“Love”前面时，它的归一化结果就会不一样。这就乱套了。

LayerNorm 保证了无论句子多长，每个词只管好自己的特征分布，不受邻居干扰。

4. 总结：Transformer 组件的“社交属性”

给 Transformer 里的三个核心组件贴上“社交标签”，来彻底理清它们的关系：

结论：在整个大模型的一层（Block）里，****只有注意力机制（Attention）是在搞“团队合作”，其他的组件（FFN，LayerNorm，Residual Add）全部都是各管各的“单兵作战”。

03 FlashAttention

FlashAttention 是大模型领域近年来最硬核、最落地的算法创新之一（由斯坦福大学 Tri Dao 等人提出）。

简单来说，它的核心作用只有一句话：少读写显存（HBM），多在缓存（SRAM）里算。

为了理解它具体怎么发挥作用，我们需要先理解 GPU 的存储结构，以及标准 Attention 为什么慢。

1.瓶颈在哪里？（GPU 的“内存墙”）

想象你是一个厨师（GPU 核心/计算单元），你要炒一道超级复杂的菜。

• HBM (显存 / High Bandwidth Memory)：这是仓库。容量巨大（80GB），但离厨房很远，取一次菜要跑断腿（读写速度相对慢）。
• SRAM (片上缓存 / Shared Memory)：这是案板。就在手边，拿菜极快，但空间极小（每组核心只有 100多 KB）。

标准的 Attention 计算过程（痛点）：

结论：厨师大部分时间都在仓库和厨房之间来回跑路（IO 瓶颈），真正炒菜（计算）的时间反而很少。这就是 Memory Bound（内存受限）。

FlashAttention 的魔法：分块计算（Tiling）

FlashAttention 的核心思想是：既然案板（SRAM）小，那我就把矩阵切成无数个小块，每次只拿一小块在案板上把所有事情做完，绝不把中间结果写回仓库！

它利用了一个数学技巧，可以在不存储完整 N x N 矩阵的情况下，直接算出最终的 Softmax 结果。

FlashAttention 的流程（优化后）：

**1.切块：**把 Q，K，V 切成很多小块（Block）。

**2.加载：**只从仓库拿一小块 Q_i 和一小块 K_j 到案板（SRAM）。

3.计算与更新：

• 在案板上直接算这一小块的 Score。
• 在案板上直接算这一小块的 Softmax（利用在线 Softmax 算法）。
• 在案板上直接乘上 V_j。
• 关键点：它不需要把中间那个巨大的 N x N 矩阵存下来！它只保留一个很小的统计量（比如最大值和和），用来不断更新最终结果。

**4.写回：**最后只把最终计算好的 Output 写回仓库。

结果：

• 显存读写量（HBM Access）：减少了 8 倍甚至更多。
• 速度：提升了 2-4 倍。 显存占用：从 O（N）^2 变成了 O（N）（线性增长）。
• 这意味着你可以输入超级长的文本（比如 100k tokens）而不会爆显存。

总结

FlashAttention 并没有改变 Attention 的数学结果（算出来的数是一模一样的），它改变的是计算的顺序和内存管理方式。

• 以前：算一步，存一步，读一步，再算下一步。
• 现在（FlashAttention）：在极小的超高速缓存（SRAM）里，把一连串复杂的计算一口气做完，坚决不访问慢速显存。

这就好比：你本来每切好一个土豆都要跑去仓库放好，再跑回来切下一个。现在你在案板旁边放个小碗，切好一个放碗里，全切完了再一次性端去仓库。效率自然天差地别。

细节问题：具体的数学技巧是什么？

利用了一个数学技巧，可以在不存储完整 N x N 矩阵的情况下，直接算出最终的 Softmax 结果。

这个数学技巧的名字叫 Online Softmax（在线 Softmax）。

它的核心魔力在于：它允许我们在不知道全局最大值（Global Max）和全局总和（Global Sum）的情况下，分块计算，并随时修正之前的计算结果。

为了理解这个技巧，我们需要先看一个**“考场打分”**的直观例子，然后再看数学原理。

1.直觉理解：分批改卷的难题

假设你是老师，你要给全班 1000 个学生打分（做归一化 Softmax）。 规则（Softmax 的数值稳定性要求）：

• 找出全班的最高分（Max）。
• 每个人的分数减去最高分，算出指数（这样防止数值爆炸）。
• 算出所有人的指数总和（Sum）。
• 每个人的最终得分 = 自己的指数 / 总和。

困难（内存限制）：你的桌子（SRAM）很小，一次只能放 10 张卷子。你不能把 1000 张卷子看完再找最高分。

常规做法（做不到）：必须先看完 1000 张卷子找到最高分，才能开始算第 1 张卷子的归一化分数。这就要求把所有卷子存下来（显存爆炸）。

Online Softmax 的做法（数学技巧）：

第一批（前 10 人）：

• 你发现最高分是 80 分。
• 你假设全班最高就是 80，先算出这 10 个人的归一化分数。
• 暂存结果：{前 10 人分数，临时最高 80，临时总和}。

第二批（第 11-20 人）：

• 糟糕！这批里有个学霸考了 90 分。
• 这意味着：你之前基于 80 分算的“前 10 人分数”全算错了（偏大了）！

关键技巧（Rescaling / 修正）：

你不需要把前 10 张卷子拿回来重算。

你只需要用一个数学修正系数来更新之前的结果。

修正系数：

把之前算好的前 10 人的总和乘上这个系数，就把基准从 80 分“拉”到了 90 分。

结果：你就像开了天眼一样，虽然是一批批算的，但每算一批，都顺手把之前的误差给修正了。等到最后一批算完，结果和看完所有卷子算出来的一模一样。

2.数学原理

第三步：合并与修正（The Trick）

现在的目标是算出全局最大值 M_new 和全局总和 L_new。

1）新的全局最大值很简单：

2）新的全局总和（这是 trick 所在）：

3.在 FlashAttention 里怎么用？

总结：Online Softmax 数学技巧。它通过记录当前的局部最大值，并在发现更大的值时，利用指数的性质（e^a-b）生成一个修正系数，从而动态地更新之前的计算结果。

这就避免了“必须一次性看完全部数据才能算 Softmax”的限制，使得**分块计算（Tiling）**成为可能，进而让数据可以一直留在高速缓存（SRAM）里，不需要反复读写显存（HBM）。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发