第三章：Transformer 核心组件解析

注意力机制赋予了 Transformer 建立全局依赖关系的能力，但一个完整的 Transformer 层远不止注意力。分词作为第一步将原始文本切分为离散词元，词嵌入将其转化为连续向量，位置编码注入了序列表达顺序信息，前馈网络提供了非线性变换能力，残差连接确保梯度能流过深层网络，层归一化稳定了训练过程。

这些组件看起来各自独立，但它们的协同作用构成了 Transformer 的完整计算管道。每一个组件的存在都不是偶然的——它解决了特定的技术问题，缺少任何一个，架构的能力都会显著受损。

本章将逐一解析这些组件的原理和设计动机，并在最后展示它们如何组装成完整架构。沿途要回答的是这样几个问题：注意力公式起点的 $X$，行数与每行内容从哪来（3.1 节、3.2 节）？位置信息为什么必须显式注入（3.3 节）？注意力已打通位置间交互，每层为什么还要逐位置的前馈网络（3.4 节）？梯度为什么能流过上百层（3.5 节）？为什么选 LayerNorm 而非 BatchNorm（3.6 节）？原始的编码器-解码器架构怎样协同（3.7 节）？GPT 式仅解码器又怎样从一个 Prompt 逐词元生成回答（3.8 节）？