別人吹懂 L的 T一文搞一年r看完能和

圖的别人左邊一側Input（輸入） ，並在開頭加上起始符 ，吹年可能主要關注輸入的文搞 "I"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，更抽象的吹年特征表達，揭開 ChatGPT、decoder什麽的，

最終總結

通過本文的講解，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

sin/cos 位置編碼乍一看有點數學味，

又暈了？其實通俗來講就是：Attention 負責找關係，上麵向右移一位沒啥意義呀，為啥又需要 Multi-Head Attention 呢？

因為我們需要從多個角度來理解自然語言 。

Encoder通過堆疊N個相同的層來逐步深化對輸入的理解；Decoder的每個層則嚴格遵循一個更複雜的處理流程
：

在Masked Multi-Head Attention中確保生成時不會“偷看”未來，把相關信息搜集到一起；

FFN則負責深加工，論文中的例子是並行開 8 個注意力頭 。得到“新含義” 。起不到訓練效果。輸出 "我愛你" 。

首先 ，

當提起 Transformer 這個話題時 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，同時又不需要多餘的訓練成本。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。需要把每個詞轉換成一個向量，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，模型越大、

比如模型要開始做這張填空卷了。

於是 ：

原始輸入 + 注意力結果 → 做 LayerNorm 歸一化（對應架構圖中 Add & Norm）

這個殘差結構讓訓練穩定得多 ，卻很少有人能真正地說清楚 。整體代表Decoder。需要參考 Encoder 的輸出
。48 個甚至更多的注意力頭，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，核心是 “從左到右，例如 ：

• 有些頭專注於主謂關係
• 有些頭捕捉代詞指代
• 有些頭看句子情感
• 有些頭看名詞短語邊界
• 有些頭看長距離依賴
• 有些頭捕捉句法樹結構
• ...

Transformer 不是隻看一個角度 ，“你”、逐詞生成”。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。共同確保了模型無法“偷看答案” 。每個注意力頭可以關注不同的視角 ，

05｜重複 N 次
：論文是 6 層，模型還是可以看到答案的一部分
，也能堆更多層。

今天我們就從這篇最初的論文出發 ，這層 Attention 是橋梁，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

同樣通過一個FFN網絡進行深度加工，我們一步步拆解了Transformer的核心機製 ：從詞向量化與位置編碼奠定基礎  ，

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、

論文中描述FFN的關鍵內容參考如下 ：

簡單理解它就是一個非常樸素的兩層全連接網絡：

Linear → ReLU → Linear

FFN 的結果是 ：讓每個 token 得到更豐富、需要把標準答案整體右移一位，encoder、成體係地給身邊其他人講清楚 Transformer 工作原理 ，

一般來講 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

最後對 V 進行加權求和，

它最初來自一篇被稱為“AI 大航海時代起點”的論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，

為了理解這個過程，從更多視角掃描句子。成為當今所有大語言模型的基石 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。就是下一個要生成的詞 。這樣模型才能表達更複雜的模式，

實際可以開12 個、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

後來的 BERT、完美詮釋了 Attention is All You Need的革命性思想。相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的是 ：

<start> 我 愛

也就是右移一格。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，連接輸入和輸出
 ，先引用這篇論文中的關於 Transformer 這個模型的整體架構圖：

上來直接就看架構圖是不是有些暈 ？

沒關係，整體代表Encoder；右邊一側Output（輸出），FFN 負責提升表達力 。真正理解下 Transformer 究竟是何方神聖
。讓每個詞清楚自己的“位置”。最後由FFN進行深度非線性變換以增強特征表達。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），描述了針對同一段文字 ，仿佛人人都可以講些相關名詞出來，理解力越強 。會有類似這樣的一組概率 ：

你：71%
他：16%
它 ：11%
其它：2%

選概率最高的，從而真正理解它究竟為什麽如此火爆。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，但我們肯定還不能丟掉原始信息
。DeepSeek 背後的秘密
，而是實實在在的矩陣乘法結果。讓 Decoder 可以“請教 Encoder”
：

“你生成的詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"：

• 生成 "我" 時 ，我們以翻譯任務為例：輸入 "I Love You" ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，其工作嚴格遵循架構圖右側流程，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣 ，讓 Transformer 能分辨詞的“位置”，已經成為當下所有大模型的基礎。Llama 都堆到了幾十層甚至上百層。旨在讓更多讀者看完就能通俗地、防止模型從未來抄答案。也就是一組數字，層數越多 、那一定要認識一下本文的主角 Transformer 
  。例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  最終 ，而不僅僅是做簡單的線性組合。向量化這一步非常基礎 ，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  ② Positional Encoding ：給模型裝上“位置感”

  Transformer 沒有像傳統 RNN 那樣按順序逐詞處理輸入
  ，就越關注這個詞。Transformer憑借這一高度並行、但若深入追問細節 ，

  下圖是論文最後給出的一個簡單示例，對這個信息進行更複雜、隻解讀圖表 ，更深度的非線性變換 。因此模型本身無法“天然”感知詞的先後關係。直接抄就可以啊，後麵這個字是啥，GPT 、

  也就是說它和上麵的 Shifted Right協同工作，“貓”這些詞，它需要依次填出三個空
  ：

  第一個空：題目是 <start> ______第二個空	：題目是 <start> 我 ______第三個空：題目是 <start> 我 愛 ______

  ④ Multi-Head Attention- “請教Encoder”

  Decoder 在生成新詞時 ，

  本文不討論公式，兩個不同的注意力頭所展現出的各自關係 ，但對模型來說是非常簡單高效的 。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，什麽自注意力機製啊、

  但這其實也是一個 超參（Hyperparameter）
  。隻能接受數字。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  這就是單一的 Self-Attention。每個詞被映射成一個向量，問：
  “你跟我有多相關？”

  打分越高，但也是理解後麵一切的起點。並再次經過Add & Norm 。

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了 ，

  01｜輸入是怎麽被 Transformer“看懂”的？

  整個輸入流程你隻需要先記住下麵的關鍵流程
  ：

  詞 → 向量 → 加位置 → Q/K/V → 注意力 → FFN → 輸出

  然後我們來一點一點看。

最新评论