实现 GPT-2 Transformer Block（简化版）

实现一个简化版 GPT-2 block：pre-LN + 因果多头自注意力 + MLP，残差两次。为保证判题确定性，所有权重由构造函数注入（无偏置）： h = layer_norm(x; ln1_gamma, ln1_beta, eps=1e-5) qkv = h @ w_qkv^T # (B, S, 3D)，按 q|k|v 沿最后一维切分 拆成 n_head 个头（每个头 d_head = D / n_head），做因果缩放点积注意力（1/sqrt(d_head)）， 拼回头部后投影：attn = heads @ w_out^T h2 = x + attn h3 = layer_norm(h2; ln2_gamma, ln2_beta, eps=1e-5) mlp = gelu(h3 @ w_fc^T) @ w_proj^T # gelu 用精确 erf 版本 out = h2 + mlp layer_norm 定义：对最后一维做 (x - mean) / sqrt(var + eps) * gamma + beta（方差为有偏 var，等价 F.layer_norm）。注意力 softmax 对最后一维；因果掩码：token i 只能 attend 到 j <= i。 要求： - 类必须继承 torch.nn.Module； - `__init__(self, ln1_gamma, ln1_beta, w_qkv, w_out, ln2_gamma, ln2_beta, w_fc, w_proj, n_head: int)`，八个张量注册为同名 nn.Parameter（如 self.w_qkv = nn.Parameter(w_qkv)）； - 可以调用 F.layer_norm / F.softmax / torch.erf，但不要调用 F.scaled_dot_product_attention、torch.nn.MultiheadAttention 或 torch.nn.Transformer； - 计算必须可微。