2017 年，谷歌大腦團隊在其論文《Attention Is All You Need》中創造性的提出 Transformer 這一架構，自此這一研究一路開掛，成為當今 NLP 領域最受歡迎的模型之一，被廣泛應用于各種語言任務，并取得了許多 SOTA 結果。

不僅如此，在 NLP 領域一路領先的 Transformer，迅速席卷計算機視覺（CV）、語音識別等領域，在圖像分類、目標檢測、語音識別等任務上取得良好的效果。

論文地址：https://arxiv.org/pdf/1706.03762.pdf

從推出至今，Transformer 已經成為眾多模型的核心模塊，比如大家熟悉的 BERT、T5 等都有 Transformer 的身影。就連近段時間爆火的 ChatGPT 也依賴 Transformer，而后者早已被谷歌申請了專利。

圖源：https://patentimages.storage.googleapis.com/05/e8/f1/cd8eed389b7687/US10452978.pdf

此外 OpenAI 發布的系列模型 GPT（Generative Pre-trained Transformer），名字中帶有 Transformer，可見 Transformer 是 GPT 系列模型的核心。

與此同時，最近 OpenAI 聯合創始人 Ilya Stutskever 在談到 Transformer 時表示，當 Transformer 剛發布之初，實際上是論文放出來的第二天，他們就迫不及待的將以前的研究切換到 Transformer ，后續才有了 GPT。可見 Transformer 的重要性不言而喻。

6 年時間，基于 Transformer 構建的模型不斷發展壯大。然而現在，有人發現了 Transformer 原始論文中的一處錯誤。

Transformer 架構圖與代碼「不一致」

發現錯誤的是一位知名機器學習與 AI 研究者、初創公司 Lightning AI 的首席 AI 教育家 Sebastian Raschka。他指出，原始 Transformer 論文中的架構圖有誤，將層歸一化（LN）放置在了殘差塊之間，而這與代碼不一致。

Transformer 架構圖如下左，圖右為 Post-LN Transformer 層（出自論文《On Layer Normalization in the Transformer Architecture》［1］）。

不一致的代碼部分如下，其中 82 行寫了執行順序「layer_postprocess_sequence＝"dan"」，表示后處理依次執行 dropout、residual_add 和 layer_norm。如果上圖左中的 add&norm 理解為：add 在 norm 上面，即先 norm 再 add，那確實代碼和圖不一致。

代碼地址：

https://github.com/tensorflow/tensor2tensor/commit/f5c9b17e617ea9179b7d84d36b1e8162cb369f25#diff-76e2b94ef16871bdbf46bf04dfe7f1477bafb884748f08197c9cf1b10a4dd78e…

接下來，Sebastian 又表示，論文《On Layer Normalization in the Transformer Architecture》認為 Pre-LN 表現更好，能夠解決梯度問題。這是很多或者大多數架構在實踐中所采用的，但它可能導致表示崩潰。

當層歸一化在注意力和全連接層之前被放置于殘差連接之中時，能夠實現更好的梯度。

因此，雖然關于 Post-LN 或 Pre-LN 的爭論仍在繼續，但另一篇論文結合了這兩點，即《ResiDual: Transformer with Dual Residual Connections》［2］。

對于 Sebastian 的這一發現，有人認為，我們經常會遇到與代碼或結果不一致的論文。大多數是無心之過，但有時令人感到奇怪。考慮到 Transformer 論文的流行程度，這個不一致問題早就應該被提及 1000 次。

Sebastian 回答稱，公平地講，「最最原始」的代碼確實與架構圖一致，但 2017 年提交的代碼版本進行了修改，同時沒有更新架構圖。所以，這實在令人困惑。

正如一位網友所說，「讀代碼最糟糕的是，你會經常發現這樣的小變化，而你不知道是有意還是無意。你甚至無法測試它，因為你沒有足夠的算力來訓練模型。」

不知谷歌之后會更新代碼還是架構圖，我們拭目以待！