当前位置：首页 > news >正文

Qwen2 详解

news 2026/8/22 6:53:08

1 Qwen2 概述

1.1 Qwen2 整体介绍

Qwen2 的推理流程如下：

tokenizer 将 text 转化为词表里面的索引 input_ids
索引 input_ids 通过 embedding 得到 hidden_states
hidden_states 经过多个由注意力机制构建的模型解码层 layers
然后通过 RMSNorm 对特征进行归一化
最后经线性层 linear 输出 output

1.2 Qwen2 推理 Tiny Demo

定义 Qwen2Config
实例化 Qwen2Model
构造虚拟输入 input_ids
推理 res = qwen2model(input_ids)

2 Qwen2 模型 Qwen2Model

2.1 初始化

初始化中主要定义了

嵌入层 self.embed_tokens = nn.Embedding(…)
解码器层 self.layers = nn.ModuleList([Qwen2DecoerLayer …])
归一化层 self.norm = Qwen2RMSNorm

class Qwen2Model(Qwen2PreTrainedModel): def __init__(self, config: Qwen2Config): super().__init__(config) self.padding_idx = config.pad_token_id self.vocab_size = config.vocab_size self.embed_tokens = nn.Embedding(config.vocab_size, config.hidden_size, self.padding_idx) self.layers = nn.ModuleList( [Qwen2DecoderLayer(config, layer_idx) for layer_idx in range(config.num_hidden_layers)] ) self.norm = Qwen2RMSNorm(config.hidden_size, eps=config.rms_norm_eps) self.gradient_checkpointing = False # Initialize weights and apply final processing self.post_init()

2.2 前向传播

前向传播中主要进行了

嵌入 inputs_embeds = self.embed_tokens(input_ids)
将特征送入解码层 layer_output = decoder_layer(hidden_states, …)
将解码器的第一个输出作为 hidden_states = layer_outputs[0]
将输出进行标准化 hidden_states = self.norm(hidden_states)

inputs_embeds = self.embed_tokens(input_ids) # embed positions hidden_states = inputs_embeds for idx, decoder_layer in enumerate(self.layers): # 将所有的hidden_states保存成tuple if output_hidden_states: all_hidden_states += (hidden_states,) # 将hs送入每一层decoder_layer layer_outputs = decoder_layer( hidden_states, attention_mask=attention_mask, position_ids=position_ids, past_key_value=past_key_value, output_attentions=output_attentions, use_cache=use_cache, ) # 取出上一层decoder_输出的hs,再传入下一个layer # 只要第一个,第二个是cache的一个类，然后进入下一个layer hidden_states = layer_outputs[0] # 将最后layers输出后的hidden_states进行标准化 hidden_states = self.norm(hidden_states) # 加上最后一层的hidden_states if output_hidden_states: all_hidden_states += (hidden_states,)

3 Qwen2 解码器 Qwen2DecoderLayer

3.1 初始化

注意力层 self.self_attn = QWEN2_ATTENTION_CLASSES[…]
MLP 层 self.mlp = Qwen2MLP()
输入归一化层 self.input_layernorm = Qwen2RMSNorm()
注意后归一化层 self.postatten_layernorm = Qwen2RMSNorm()

QWEN2_ATTENTION_CLASSES = { "eager": Qwen2Attention, # 一般情况下是这个 "flash_attention_2": Qwen2FlashAttention2, "sdpa": Qwen2SdpaAttention, } class Qwen2DecoderLayer(nn.Module): def __init__(self, config: Qwen2Config): super().__init__() self.hidden_size = config.hidden_size self.self_attn = QWEN2_ATTENTION_CLASSES[config._attn_implementation](config, layer_idx) self.mlp = Qwen2MLP(config) self.input_layernorm = Qwen2RMSNorm(config.hidden_size, eps=config.rms_norm_eps) self.post_attention_layernorm = Qwen2RMSNorm(config.hidden_size, eps=config.rms_norm_eps)

3.2 前向传播

归一化 hidden_states = self.input_layernorm(hidden_states)
注意力计算 hidden_states, … = self.self.attn(hidden_states, …)
残差相加 hidden_states = residual + hidden_states
注意力后归一化 hidden_states = self.post_attention_layernorm(hidden_states)
MLP hidden_states = self.mlp(hidden_states)
残差相加 hidden_states = residual + hidden_states
输出 output = (hidden_states, )

residual = hidden_states # 标准化后送入attn hidden_states = self.input_layernorm(hidden_states) # RMSNorm标准化 # Self Attention hidden_states, self_attn_weights, present_key_value = self.self_attn( hidden_states=hidden_states, attention_mask=attention_mask, position_ids=position_ids, past_key_value=past_key_value, output_attentions=output_attentions, use_cache=use_cache, **kwargs, ) # 残差与新的hidden_states相加 hidden_states = residual + hidden_states # Fully Connected residual = hidden_states # 同样的RMSNorm标准化 hidden_states = self.post_attention_layernorm(hidden_states) hidden_states = self.mlp(hidden_states) hidden_states = residual + hidden_states outputs = (hidden_states,) return outputs

4 Qwen2 注意力层 Qwen2Attention

4.1 前向推理

从 hidden_states 映射得到 query, key, value
对 query, key 使用旋转位置编码 apply_rotatary_pos_emb
使用 group attention (GQA) 降低对显存需求
对注意力的输出进行输出映射 attn_output= self.o_project(attn_output)

# 获取形状信息,hidden_states输入的为(bs,T,hd) bsz, q_len, _ = hidden_states.size() # 对hidden_states进行Linear生成query、key、value query_states = self.q_proj(hidden_states) key_states = self.k_proj(hidden_states) value_states = self.v_proj(hidden_states) # reshape多头处理--分块--(bs,T,heads,hd_d) query_states = query_states.view(bsz, q_len, self.num_heads, self.head_dim).transpose(1, 2) key_states = key_states.view(bsz, q_len, self.num_key_value_heads, self.head_dim).transpose(1, 2) value_states = value_states.view(bsz, q_len, self.num_key_value_heads, self.head_dim).transpose(1, 2) # 将旋转位置嵌入应用于查询和键张量。使用了旋转位置嵌入的余弦和正弦部分，将它们与查询和键张量相乘，并将结果相加，从而实现旋转位置嵌入的效果 cos, sin = self.rotary_emb(value_states, seq_len=kv_seq_len) query_states, key_states = apply_rotary_pos_emb(query_states, key_states, cos, sin, position_ids) # 先将key_states和value_states重复了num_key_value_groups次 key_states = repeat_kv(key_states, self.num_key_value_groups) value_states = repeat_kv(value_states, self.num_key_value_groups) # 使用dot attn实现q*kT/hd_d^0.5 attn_weights = torch.matmul(query_states, key_states.transpose(2, 3)) / math.sqrt(self.head_dim) # 然后 attn_weights 加上 attention_mask，实现读取顺序 attn_weights = attn_weights + attention_mask # softmax + dropout + values_states相乘 attn_weights = nn.functional.softmax(attn_weights, dim=-1, dtype=torch.float32).to(query_states.dtype) attn_weights = nn.functional.dropout(attn_weights, p=self.attention_dropout, training=self.training) attn_output = torch.matmul(attn_weights, value_states) # 转置，修改形状等reshape操作 attn_output = attn_output.transpose(1, 2).contiguous() attn_output = attn_output.reshape(bsz, q_len, self.hidden_size) # 最后在进行一次o_proj attn_output = self.o_proj(attn_output) # 返回结果 return attn_output, attn_weights, past_key_value

4.2 旋转位置编码 Rotary Position Embedding

旋转位置编码作用在 key 和 value 上，高效地形式实现了相对位置的编码。

旋转位置编码是论文 Roformer： Enhanced Transformer with Rotray Position Embedding 提出的。

论文中提出为了能利用上 token 之间的相对位置信息，假定 query 向量和 key 向量之间的内积操作可以被一个函数表示，该函数的输入是词嵌入向量，和它们之间的相对位置：

接下来的目标就是找到一个等价的位置编码方式，从而使得上述关系成立。

假定现在词嵌入向量的维度是两维，这样就可以利用上2维度平面上的向量的几何性质，然后论文中提出了一个满足上述关系的和的形式如下：

这里面 Re 表示复数的实部。

进一步地，可以表示成下面的式子：

看到这里会发现，这不就是 query 向量乘以了一个旋转矩阵吗？这就是为什么叫做旋转位置编码的原因。

同理，可以表示成下面的式子：

最终可以表示如下：

关于上面公式（8）~（11）的具体推导，可以参考文章：一文看懂 LLaMA 中的旋转式位置编码（Rotary Position Embedding）。

4.3 Grouped Query Attention GQA

通过将查询头 query 分组，每组共享一个 key 和 value。从而降低存储 key 和 value 的数量，节省显存。

5 Qwen2 线性层 Qwen2MLP

这里分了两个支路，一个支路做线性+激活，另外一个支路只做线性，然后进行相乘，再通过一个线性层得到输出。

class Qwen2MLP(nn.Module): def __init__(self, config): super().__init__() # 这俩不必多说 self.config = config self.hidden_size = config.hidden_size self.intermediate_size = config.intermediate_size # 三个全连接层 self.gate_proj = nn.Linear(self.hidden_size, self.intermediate_size, bias=False) self.up_proj = nn.Linear(self.hidden_size, self.intermediate_size, bias=False) self.down_proj = nn.Linear(self.intermediate_size, self.hidden_size, bias=False) self.act_fn = ACT2FN[config.hidden_act] def forward(self, x): down_proj = self.down_proj(self.act_fn(self.gate_proj(x)) * self.up_proj(x)) return down_proj

6 Qwen2RMSNorm

其中 x 是 hidden_state，w 是 hidden_state 的特征纬度。

class Qwen2RMSNorm(nn.Module): # 标准化层 def __init__(self, hidden_size, eps=1e-6): """ Qwen2RMSNorm is equivalent to T5LayerNorm """ super().__init__() self.weight = nn.Parameter(torch.ones(hidden_size)) self.variance_epsilon = eps def forward(self, hidden_states): input_dtype = hidden_states.dtype hidden_states = hidden_states.to(torch.float32) variance = hidden_states.pow(2).mean(-1, keepdim=True) hidden_states = hidden_states * torch.rsqrt(variance + self.variance_epsilon) return self.weight * hidden_states.to(input_dtype)