序列到序列建模：Encoder–Decoder 与 Transformer 的提出

摘要

本文围绕“序列到序列建模：Encoder–Decoder 与 Transformer 的提出”对课程 ASR 进行高密度论文式重构，并围绕 sequence-to-sequence、encoder-decoder、machine translation、Transformer 检索英文原论文、官方研究页面和高校课程资料。文章不保留课堂逐句口述，而以问题背景、技术难点、形式化定义、核心机制、理论或实验依据、局限与后续发展重新组织知识，并对可确认的 ASR 误识别和概念边界进行校正。

**关键词：**sequence-to-sequence；encoder-decoder；machine translation；Transformer

1. 研究背景

Transformer 用 attention 代替 RNN 的逐时间递归，在训练阶段可以并行处理序列位置，并允许任意两个 token 在单层中直接建立依赖。

完整架构并非只有 Attention：位置表示、Multi-Head 投影、Residual、Normalization、FFN、因果掩码与 Encoder–Decoder 接口共同决定模型如何表示和生成序列。

本讲进一步聚焦序列到序列建模：Encoder–Decoder 与 Transformer 的提出。正式分析首先需要明确该方法试图压缩哪一种计算复杂度、拟合哪一种统计规律或改进哪一类表示，再讨论公式和实现。只有把技术目标与评价标准绑定，才能避免把课堂示意性操作误写成普遍结论。

图 1　技术主线。 将本讲知识重构为“问题表示—核心计算—评价/决策”的依赖关系。依据课程 ASR 确认的主题和本章权威资料重新绘制。

2. 核心难点

该主题的难度不仅来自公式本身，还来自模型假设、数据/状态规模和工程资源的共同约束。结合本讲内容与一手资料，可将主要问题归纳为以下四类。

难点 1

Self-Attention 本身不包含序列顺序，需要显式位置或关系信息。

难点 2

标准全注意力在序列长度上具有二次 score matrix 成本。

难点 3

Multi-Head、Residual、Normalization、FFN 和 masking 共同构成完整架构，不能只用 attention 一项概括。

难点 4

训练阶段高度并行，但自回归解码仍存在严格逐 token 依赖。

3. 主要工作与技术路线

课程原有知识可压缩为一条完整方法链路。与课堂按幻灯片顺序逐项说明不同，本文按可复现算法过程重排如下：

1. embedding 并注入位置：围绕 sequence-to-sequence 建立可验证的输入、计算与评价关系。
2. 线性投影得到 Q/K/V：围绕 encoder-decoder 建立可验证的输入、计算与评价关系。
3. attention 聚合上下文：围绕 machine translation 建立可验证的输入、计算与评价关系。
4. Residual + Norm + FFN 深层变换：围绕 Transformer 建立可验证的输入、计算与评价关系。
5. 按 Encoder/Decoder 结构完成理解或生成：围绕 Transformer 建立可验证的输入、计算与评价关系。

这些步骤共同回答三个问题：候选对象如何表示；核心计算如何改变或评价它；最终结果在什么条件下可以被视为有效。后续章节的公式、图表和实验均围绕这条链路展开。

4. 概念与形式化

Seq2Seq 条件概率

$p(y_{1:T}\mid x_{1:S})=\prod_{t=1}^{T}p(y_t\mid y_{<t},x_{1:s})$

Encoder 建模输入条件，Decoder 自回归生成输出。

核心对象	正式技术含义	关联形式化
sequence-to-sequence	Sequence-to-Sequence（Seq2Seq）把一个变长输入序列映射为另一个变长输出序列，机器翻译是典型实例。	Seq2Seq 条件概率
encoder-decoder	Encoder–Decoder 把可变长输入压缩/表示为中间状态，再由 Decoder 条件生成输出序列。早期 RNN seq2seq 的固定向量瓶颈推动 attention 机制直接访问全部 encoder states。	Seq2Seq 条件概率
machine translation	Machine Translation 学习 p(target	source)，需要同时解决源序列表示、目标自回归生成和跨序列对齐。Transformer 最初即在翻译任务上验证。 | Seq2Seq 条件概率
Transformer	Transformer 完全依靠 attention 和 position-wise feed-forward layers 建模序列，消除了 RNN 的时间递归，从而使训练时不同 token 的表示计算更易并行。其代价是标准 self-attention 对序列长度具有二次复杂度。	Seq2Seq 条件概率

图 2　核心对象之间的功能关系。 图示说明表示、计算机制与评价之间的依赖，不复刻课程 PPT。

5. 核心技术机制

1. sequence-to-sequence

Sequence-to-Sequence（Seq2Seq）把一个变长输入序列映射为另一个变长输出序列，机器翻译是典型实例。

2. encoder-decoder

Encoder–Decoder 把可变长输入压缩/表示为中间状态，再由 Decoder 条件生成输出序列。早期 RNN seq2seq 的固定向量瓶颈推动 attention 机制直接访问全部 encoder states。

3. machine translation

Machine Translation 学习 p(target|source)，需要同时解决源序列表示、目标自回归生成和跨序列对齐。Transformer 最初即在翻译任务上验证。

4. Transformer

Transformer 完全依靠 attention 和 position-wise feed-forward layers 建模序列，消除了 RNN 的时间递归，从而使训练时不同 token 的表示计算更易并行。其代价是标准 self-attention 对序列长度具有二次复杂度。

方法流程

将核心概念放回执行过程后，可以得到下表。正式算法描述必须同时给出状态更新、评价标准与终止条件，而不能只记录操作顺序。

阶段	处理步骤	主要技术对象
1	embedding 并注入位置	sequence-to-sequence
2	线性投影得到 Q/K/V	encoder-decoder
3	attention 聚合上下文	machine translation
4	Residual + Norm + FFN 深层变换	Transformer
5	按 Encoder/Decoder 结构完成理解或生成	Transformer

相关对象的功能比较

对象	定义	使用边界
sequence-to-sequence	Sequence-to-Sequence（Seq2Seq）把一个变长输入序列映射为另一个变长输出序列，机器翻译是典型实例。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
encoder-decoder	Encoder–Decoder 把可变长输入压缩/表示为中间状态，再由 Decoder 条件生成输出序列。早期 RNN seq2seq 的固定向量瓶颈推动 attention 机制直接访问全部 encoder states。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
machine translation	Machine Translation 学习 p(target	source)，需要同时解决源序列表示、目标自回归生成和跨序列对齐。Transformer 最初即在翻译任务上验证。 | 主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。
Transformer	Transformer 完全依靠 attention 和 position-wise feed-forward layers 建模序列，消除了 RNN 的时间递归，从而使训练时不同 token 的表示计算更易并行。其代价是标准 self-attention 对序列长度具有二次复杂度。	主要承担表示/计算/评价链路中的一个明确角色；实际效果依赖章节所述假设与数据条件。

6. 性质、实验与证据

训练与推理的边界

模型结构定义的是可计算函数，训练算法决定参数如何从数据中估计，推理过程则在固定参数下执行预测或生成。把三者分开可以避免把训练技巧误写成网络结构，也避免把推理阶段行为反向解释成训练目标。

复杂度与工程约束

理论公式通常忽略内存带宽、并行度、batching 和数值精度。实际系统需要同时考虑参数量、激活占用、序列长度和硬件吞吐；因此“准确率更高”的组件未必适合所有在线位置，AlphaGo 的快速 rollout 与大型语言模型中的 KV cache 都体现了类似工程折衷。

对于具有明确理论条件的算法，本节优先说明正确性、最优性、收敛性或复杂度的前提；对于以实验建立有效性的学习模型，则区分训练指标、验证指标、消融实验和最终任务结果。任何数值都应绑定数据集、模型版本、硬件或搜索预算，不能脱离实验条件泛化。

7. 课程主线与事实核查

课程知识主线。 根据原 ASR，可以确认本讲的教学主线集中在 sequence-to-sequence、encoder-decoder、machine translation、Transformer 及其相互关系。课程中的逐图指点、重复设问、口头自我修正和非技术性铺垫均已删除；保留下来的知识被重排为“问题定义—形式化—算法/模型机制—评价—边界”的书面结构。

外部扩充边界。 外部检索材料只用于补充标准定义、原始论文结果、算法成立条件和后续技术发展；它们不会被反向写成讲师原本展示过的 PPT 参数。对纯 ASR 无法唯一恢复的图中数字、箭头和公式局部符号，正文只保留能够由上下文与权威资料共同确认的技术关系。

8. 局限与实践边界

任何课程级算法都存在适用条件。工程使用时必须重新检查数据或状态分布、目标函数、计算预算和评价协议，而不是机械复制示例超参数。随机方法应报告随机种子、重复试验与预算；学习模型应严格区分训练、验证和测试；搜索算法应明确最优性前提、重复状态处理和资源上限。

本讲涉及的核心对象之间通常存在明确折衷：更强的表示或估值可能增加计算成本，更激进的剪枝或近似可能损失保证，更复杂的模型可能需要更多数据和正则化。正式结论因此应表述为“在给定假设和评价条件下有效”，而不是无条件优于其他方法。

9. 展望

Transformer 已成为语言、视觉、语音和多模态模型的通用骨架。后续改进主要围绕位置表示、长序列复杂度、归一化稳定性、稀疏注意力、KV cache 与并行训练/推理展开。

后续技术是否构成真正改进，应使用与当前方法可比的基准、预算和评价协议验证。对于快速演进的软件或模型版本，正文只把稳定原理写入主结论，把易变化的工程参数视为版本性信息。

10. 结论

“序列到序列建模：Encoder–Decoder 与 Transformer 的提出”应被理解为由sequence-to-sequence、encoder-decoder、machine translation、Transformer共同构成的完整技术问题，而不是若干课堂操作的顺序记录。论文式说明必须同时回答方法解决什么问题、基于何种假设、如何计算、怎样评价以及在哪些条件下可能失效。经过 ASR 主线提取、英文一手资料检索和事实核查后，本章将原有口语课程转换为可独立阅读、可追溯来源且信息密度更高的正式技术文本。

参考文献与核查来源

1. Vaswani et al. (2017). Attention Is All You Need. source.
2. Shaw, Uszkoreit, Vaswani (2018). Self-Attention with Relative Position Representations. source.
3. Stanford CS224N. Natural Language Processing with Deep Learning — course materials. source.

生成流程：ASR 知识主线提取 → 论文式重构 → 英文一手资料检索与交叉核验 → 技术扩充 → SVG/表格/MathJax 排版。正文采用 UTF-8。MathJax 通过 CDN 加载；无网络时 LaTeX 源码仍保留，但完整数学排版需要可访问 MathJax。