Transformer——Q69 FFN参数量公式推导(GeLU(xW₁))W₂)

该问题归类到Transformer架构问题集——前馈网络——全连接层。请参考LLM数学推导——Transformer架构问题集。

1. 引言

在大语言模型（LLM）蓬勃发展的当下，Transformer 架构凭借其卓越的性能表现，成为了众多先进语言模型的基石。前馈神经网络（Feed - Forward Network，FFN）作为 Transformer 架构中的关键组件，对模型的表达能力和性能起着至关重要的作用。深入理解 FFN 参数量公式 的推导过程，有助于我们洞察 LLM 中的数学原理，为模型的优化和创新提供坚实的理论基础。

2. FFN 在 Transformer 中的角色

2.1 Transformer 架构概述

Transformer 架构主要由自注意力机制（Self - Attention）和前馈神经网络（FFN）等部分构成。自注意力机制能够捕捉输入序列中不同位置之间的依赖关系，而 FFN 则负责对自注意力机制输出的特征进行进一步的非线性变换，从而增强模型对语义信息的表达能力。

2.2 FFN 的功能定位

FFN 在 Transformer 中的主要任务是对输入特征进行升维和降维操作，引入非线性变换，使得模型能够学习到更复杂的语义模式。它通常由两层全连接层组成，中间通过激活函数进行非线性映射，常见的激活函数为 GeLU（Gaussian Error Linear Units）。

3. 前置知识

3.1 GeLU 激活函数

GeLU 激活函数的全称是 Gaussian Error Linear Units，其数学表达式为：

其中，是标准正态分布的累积分布函数，即：

GeLU 函数的核心思想是根据输入的分布情况，自适应地调整激活的程度。当输入值较大时，接近 1，GeLU 函数近似于线性函数；当输入值较小时，<