Transformer中Pre-Norm和Post-Norm的设计差异是什么？对模型训练稳定性和性能有何影响？

回答思路

1. 准确区分Pre-Norm与Post-Norm的结构位置
2. 说明Post-Norm稳定梯度但不稳定训练，Pre-Norm稳定训练但表达能力受限
3. 分析对深层模型训练的影响，如梯度消失与残差连接配合
4. 讨论在不同规模和场景下的性能影响