別人吹懂 L的 T一文搞一年r看完能和

上來直接就看架構圖是不是有些暈？

沒關係，模型越大、懂L的更深度的看完非線性變換 。並在開頭加上起始符 ，别人這是吹年第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

這就是文搞單一的 Self-Attention。

03｜殘差連接 + LayerNorm  ：讓訓練更穩定

Self-Attention 隻是懂L的“加工”了一遍詞向量，從而真正理解它究竟為什麽如此火爆。看完仿佛人人都可以講些相關名詞出來 ，别人

最後對 V 進行加權求和 ，吹年什麽自注意力機製啊 、文搞直接抄就可以啊
，懂L的

但這其實也是看完一個 超參（Hyperparameter）。逐詞生成”。别人而是吹年實實在在的矩陣乘法結果。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，48 個甚至更多的注意力頭，共同確保了模型無法“偷看答案” 。

最終總結

通過本文的講解
，

後來的 BERT 、例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，可能主要關注輸入的 "You"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，每個詞被映射成一個向量，但也是理解後麵一切的起點。隻解讀圖表，

一般來講，輸出 "我愛你"
。層數越多 
、問：
“你跟我有多相關
？”

打分越高，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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，也能堆更多層。

也就是說它和上麵的 Shifted Right協同工作 ，就越關注這個詞。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。這樣模型才能表達更複雜的模式，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
，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 ，整體代表Encoder；右邊一側Output（輸出）
  ，Llama 都堆到了幾十層甚至上百層。

  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，

  圖的左邊一側Input（輸入），完美詮釋了 Attention is All You Need的革命性思想 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，最後由FFN進行深度非線性變換以增強特征表達 。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention
  ，

  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。可能主要關注輸入的 "Love"

• 生成 "你" 時，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。這層 Attention 是橋梁 ，

  當提起 Transformer 這個話題時 ，

  05｜重複 N 次
  ：論文是 6 層 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。對這個信息進行更複雜 
  、

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，並再次經過Add & Norm。FFN 負責提升表達力。因此模型本身無法“天然”感知詞的先後關係 。真正理解下 Transformer 究竟是何方神聖。揭開 ChatGPT、我們以翻譯任務為例：輸入 "I Love You"，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  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，更抽象的特征表達，下麵我們就來一步步通俗理解下這張架構圖的深層含義。DeepSeek 背後的秘密 ，整體代表Decoder。但若深入追問細節
  ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，

  

  sin/cos 位置編碼乍一看有點數學味，防止模型從未來抄答案。論文中的例子是並行開 8 個注意力頭 。句子裏的每個詞都會
  ：

  拿著自己的 Q 到其他詞的 K 那裏去“打分”，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，“你”、但我們肯定還不能丟掉原始信息  。

  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，把相關信息搜集到一起；

  FFN則負責深加工
  ，而不僅僅是做簡單的線性組合。卻很少有人能真正地說清楚。也就是一組數字，

  下圖是論文最後給出的一個簡單示例 ，同時又不需要多餘的訓練成本。隻能接受數字 。

  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、起不到訓練效果。理解力越強
   。從更多視角掃描句子。Transformer憑借這一高度並行 、

  本文不討論公式 ，

  為了理解這個過程 ，成體係地給身邊其他人講清楚 Transformer 工作原理，但對模型來說是非常簡單高效的。

  最終，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，再通過殘差連接與LayerNorm保障訓練的穩定性，

  

  注意力頭的數量是一個超參（Hyperparameter）  ，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，

  首先
  ，旨在讓更多讀者看完就能通俗地、

  

  句子中的每個詞都會生成 3 個向量：

  • Q（Query）我想找什麽？
  • K（Key）我是誰？我有什麽特征 ？
  • V（Value）我的實際含義是什麽
    ？

  它們不是概念，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、encoder、用於後續計算。

  同樣通過一個FFN網絡進行深度加工，其工作嚴格遵循架構圖右側流程，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  所以，模型還是可以看到答案的一部分，讓 Transformer 能分辨詞的“位置” ，需要把標準答案整體右移一位，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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，decoder什麽的 ，那一定要認識一下本文的主角 Transformer 。每個注意力頭可以關注不同的視角 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，成為當今所有大語言模型的基石，兩個不同的注意力頭所展現出的各自關係  ，核心是 “從左到右 ，

  今天我們就從這篇最初的論文出發，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。上麵向右移一位沒啥意義呀，描述了針對同一段文字 ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，“貓”這些詞 ，需要把每個詞轉換成一個向量 ，並經過Add & Norm
  。可能主要關注輸入的 "I"

• 生成 "愛" 時，

  比如模型要開始做這張填空卷了 。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  又暈了
  ？其實通俗來講就是
  ：Attention 負責找關係
  ，需要參考 Encoder 的輸出。

  實際可以開12 個、連接輸入和輸出 ，讓每個詞清楚自己的“位置”。向量化這一步非常基礎，

  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，後麵這個字是啥，就是下一個要生成的詞
  。得到“新含義”。

  接下來，GPT
  、已經成為當下所有大模型的基礎。

最新评论