本篇把 Transformer 手撕题按出现频率排了 10 道，每道给考点定位、解题思路、逐行注释的伪代码，以及面试官看你写完后的下一问。伪代码用 Python 风格，面试时用 numpy 或纯 Python 写都行，关键是维度变换每一步说得出口。
题目结构说明：每题四部分。考点定位讲面试官到底在筛什么；解题思路是白板上先写什么后写什么的框架；伪代码逐行注释，# [b, s, d]这种标注就是面试时口述维度的话术，照着说；追问链是写完代码后 80% 会跟上的问题，附一句话答法。标记：⭐ 高频（出现率过半）、🔥 近两年新增。
Q1 手撕 Self-Attention（含缩放与因果掩码）⭐
考点定位：全场出现率最高的一道手撕。面试官在筛三件事：缩放因子写不写、mask 的方向对不对、softmax 沿哪个维度。前两件筛掉背题的，第三件筛掉没跑过代码的。
解题思路：先写签名和维度注释，再按「线性投影 → 缩放点积 → 掩码 → softmax → 加权求和」四步落笔。掩码方向记一句话：上三角是未来，要屏蔽。
伪代码：
def self_attention(x, W_q, W_k, W_v, d_k): # x: [batch, seq_len, d_model] Q = x @ W_q # [b, s, d_k] K = x @ W_k # [b, s, d_k] V = x @ W_v # [b, s, d_k] scores = Q @ K.transpose(-2, -1) # [b, s, s] 每行是 q 对所有 k 的相似度 scores = scores / sqrt(d_k) # 缩放：点积方差约 d_k，不除会导致 softmax 饱和 # 因果掩码：位置 i 只允许看 j <= i mask = triangular_ones(seq_len, upper=True) * (-1e9) # 上三角（未来）填负无穷 scores = scores + mask # 加负无穷后 softmax 权重趋近 0 attn = softmax(scores, dim=-1) # 沿最后一维（key 维）归一化，务必说出口 return attn @ V # [b, s, d_k]追问链：
「为什么除以 √d_k？」→ d_k 大时点积方差 ≈ d_k，softmax 退化成 one-hot，梯度消失；√d_k 把方差拉回 1。
「mask 为什么加负数而不是置 0？」→ 置 0 仍是合法 score，softmax 后照样分到权重；负无穷才让权重趋近 0。
「softmax 之前还有哪步可以做？」→ 加 QK 偏置或 ALiBi 的距离偏置，都在 score 上动手。
Q2 手撕 Multi-Head Attention ⭐
考点定位：单头注意力几乎人人会，多头的分头与合头 reshape是真正的分水岭。维度变换说不出「先拆最后一维再交换轴」的，基本没自己实现过。
解题思路：核心口诀「先投影、再拆头、算完拼回去」。拆头不引入任何新矩阵，纯 reshape 操作。
伪代码：
def multi_head_attention(x, W_q, W_k, W_v, W_o, n_heads): b, s, d_model = x.shape d_head = d_model // n_heads # 一定要整除，面试官可能追问 Q = x @ W_q # [b, s, d_model] # 拆头：最后一维切成 n_heads 段，head 维提到 batch 后面 Q = Q.reshape(b, s, n_heads, d_head) # [b, s, h, d] Q = Q.transpose(1, 2) # [b, h, s, d] 变成独立 batch，各自算注意力 K, V = 同样流程(x, W_k, W_v) out = scaled_dot_product_attention(Q, K, V) # [b, h, s, d]，复用 Q1 out = out.transpose(1, 2) # [b, s, h, d] 拼头第一步：head 维挪回去 out = out.reshape(b, s, d_model) &nb
