深度解析：如何计算 Transformer 模型的参数量

目前，Transformer 模型展现出了强大的性能。而了解 Transformer 模型的参数量对于评估模型的规模、复杂度以及计算资源需求等具有重要意义。下面将详细阐述如何计算 Transformer 模型的参数量。

一、Transformer 模型的基本结构回顾

Transformer 模型主要由编码器（Encoder）和解码器（Decoder）组成。其中，编码器包含多个相同的层级，每个层级包括多头自注意力机制（Multi - Head Self - Attention）和前馈神经网络（Feed - Forward Neural Network）这两个子层。解码器的结构与编码器类似，但多了一个注意力机制（Attention）子层，用于关注编码器的输出。

二、Transformer 各部分参数量的计算方法

1. 嵌入层（Embedding Layer）

• 嵌入层的作用是将输入的词或标记转换为固定维度的向量。假设词汇表的大小为 V，嵌入向量的维度为 d_model。那么嵌入层的参数量就是 V × d_model。例如，当词汇表大小 V = 10000，d_model = 512 时，嵌入层的参数量为 10000 × 512 = 5,120,000。

2. 多头自注意力机制（Multi - Head Self - Attention）

• 多头自注意力机制由多个注意力头组成。每个注意力头包括三个线性变换，分别是查询（Query）、键（Key）和值（Value）的变换。假设有 h 个注意力头，每个头的维度为 d_k（通常 d_k = d_model / h）。
• 对于每个注意力头的查询、键和值的变换，参数量分别是 d_model × d_k。因为有 h 个注意力头，所以总共有 3 × h × d_model × d_k 参数用于这些线性变换。
• 例如，当 d_model = 512，h = 8 时，每个注意力头的维度 d_k = 512 / 8 = 64。那么查询、键和值变换的总参数量为 3 × 8 × 512 × 64 = 786,432。
• 另外，在多头自注意力机制的最后，还有一个线性变换将拼接后的各个注意力头的输出转换回 d_model 维度，这部分的参数量是 h × d_k × d_model。在上述例子中，这个线性变换的参数量为 8 × 64 × 512 = 262,144。
• 所以，整个多头自注意力机制的参数量为 3 × h × d_model × d_k + h × d_k × d_model = 2 × h × d_model × d_k + h × d_k × d_model = 3 × h × d_model × d_k（因为在计算过程中，前面的三个线性变换可以看作是相当于两个的参数量，加上最后的线性变换，所以总参数量可以表示为 3 × h × d_model × d_k）。不过更准确的计算是将各个部分相加，如上述例子中的总参数量为 786,432 + 262,144 = 1,048,576。

3. 前馈神经网络（Feed - Forward Neural Network）

• Transformer 中的前馈神经网络通常是位置 - 智能的，每个位置都有相同的结构。它包括两个线性变换，中间有一个激活函数（一般是 ReLU）。假设前馈神经网络的隐藏层维度为 d_ff。
• 第一个线性变换的参数量是 d_model × d_ff，第二个线性变换的参数量是 d_ff × d_model。因此，前馈神经网络的参数量为 d_model × d_ff + d_ff × d_model = 2 × d_model × d_ff。
• 例如，当 d_model = 512，d_ff = 2048 时，前馈神经网络的参数量为 2 × 512 × 2048 = 2,097,152。

4. 编码器层级之间的参数

• 一个完整的编码器层级包括多头自注意力机制和前馈神经网络，以及残差连接和层归一化（Layer Normalization）部分。层归一化部分的参数量相对较少，每个层归一化有 2 × d_model 个参数（包括一个缩放参数和一个偏移参数）。
• 对于一个编码器层级，多头自注意力机制的参数量为 1,048,576（以之前的例子为例），前馈神经网络的参数量为 2,097,152。两个层归一化（分别在多头自注意力机制和前馈神经网络之后）的参数量为 2 × 2 × 512 = 2,048。所以一个编码器层级的总参数量约为 1,048,576 + 2,097,152 + 2,048 = 3,147,776。
• 如果有 N 个编码器层级，编码器部分的总参数量约为 N × 3,147,776（以这个例子中的单层参数量为例）。

5. 解码器部分的参数

• 解码器的结构与编码器类似，但多了一个注意力机制子层，用于关注编码器的输出。这个额外的注意力机制的参数量计算与多头自注意力机制类似。
• 假设解码器有 M 个层级，除了与编码器类似的多头自注意力机制（用于解码器内部的自注意力）、前馈神经网络和层归一化部分外，还会增加一个注意力机制（用于关注编码器输出）的参数量。同样以 d_model = 512，h = 8 为例，这个额外的注意力机制的参数量为 3 × h × d_model × d_k + h × d_k × d_model = 1,048,576（与编码器的多头自注意力机制参数量相同）。
• 所以，一个解码器层级的总参数量约为编码器层级的参数量（3,147,776）加上这个额外的注意力机制的参数量（1,048,576），即 3,147,776 + 1,048,576 = 4,196,352。如果有 M 个解码器层级，解码器部分的总参数量约为 M × 4,196,352。

6. 输出层（Output Layer）

• 输出层通常是一个线性变换，将解码器的输出映射到词汇表的维度。其参数量为 d_model × V。例如，当 d_model = 512，V = 10000 时，输出层的参数量为 512 × 10000 = 5,120,000。

三、总结 Transformer 模型的总参数量

Transformer 模型的总参数量等于嵌入层参数量 + 编码器部分参数量 + 解码器部分参数量 + 输出层参数量。通过上述详细的计算步骤，我们可以较为准确地计算出 Transformer 模型的参数量，这有助于我们在实际应用中根据需求来调整模型规模，以平衡模型性能和计算资源消耗。例如，在资源有限的设备上，我们可以减小模型的参数量，如减少编码器或解码器的层级数，或者降低 d_model 和 d_ff 的维度等，来适应设备的计算能力。

本文转载自​​智驻未来​​​​​​，作者：小智