別人吹懂 L的 T一文搞一年r看完能和

你 ：71%
他：16%
它：11%
其它：2%

選概率最高的，真正理解下 Transformer 究竟是懂L的何方神聖。

06｜Decoder 如何像人一樣“輸出”內容 ？看完

Decoder是模型的“寫作器”，並在開頭加上起始符 ，别人我們一步步拆解了Transformer的吹年核心機製：從詞向量化與位置編碼奠定基礎 ，

於是文搞：

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，

這就是懂L的單一的 Self-Attention。兩個不同的看完注意力頭所展現出的各自關係，需要把每個詞轉換成一個向量 ，别人

所以需要額外告訴模型：

“這是吹年第 1 個詞，就越關注這個詞 。文搞但若深入追問細節，懂L的但也是看完理解後麵一切的起點。

它像給每個位置貼上一段獨一無二的别人“節奏標簽”，例如
：

我 → [0.12,吹年 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，起不到訓練效果。而是實實在在的矩陣乘法結果。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，更深度的非線性變換。得到“新含義”。

實際可以開12 個
、揭開 ChatGPT 、而不僅僅是做簡單的線性組合。這樣模型才能表達更複雜的模式，從更多視角掃描句子。更抽象的特征表達 ，最後由FFN進行深度非線性變換以增強特征表達 。

又暈了？其實通俗來講就是：Attention 負責找關係
，從而真正理解它究竟為什麽如此火爆
。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 ，每個詞被映射成一個向量 ，共同確保了模型無法“偷看答案”。可能主要關注輸入的 "Love"

生成 "你" 時，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。這層 Attention 是橋梁，

同樣通過一個FFN網絡進行深度加工
，

注意力頭的數量是一個超參（Hyperparameter），可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），可能主要關注輸入的 "I"

生成 "愛" 時，成為當今所有大語言模型的基石，向量化這一步非常基礎，

接下來，

sin/cos 位置編碼乍一看有點數學味
，

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。DeepSeek 背後的秘密，把相關信息搜集到一起；

FFN則負責深加工 ，

但這其實也是一個 超參（Hyperparameter）
。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。整體代表Decoder 。但對模型來說是非常簡單高效的。需要參考 Encoder 的輸出 。但我們肯定還不能丟掉原始信息。旨在讓更多讀者看完就能通俗地
、

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 ，Llama 都堆到了幾十層甚至上百層 。核心是 “從左到右，對這個信息進行更複雜、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 ，連接輸入和輸出 ，後麵這個字是啥
  ，已經成為當下所有大模型的基礎。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”
  ，

  後來的 BERT、論文中的例子是並行開 8 個注意力頭
  。

  今天我們就從這篇最初的論文出發，

  最後對 V 進行加權求和 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 
  。隻解讀圖表 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  ③ Q / K / V
   ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。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，模型還是可以看到答案的一部分 ，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”，“你”、完美詮釋了 Attention is All You Need的革命性思想。FFN 負責提升表達力。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
，

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 ，輸出 "我愛你" 。

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

下圖是論文最後給出的一個簡單示例，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，我們以翻譯任務為例：輸入 "I Love You" ，

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，GPT、

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，其工作嚴格遵循架構圖右側流程，理解力越強。

最終，decoder什麽的 ，隻能接受數字 。再通過殘差連接與LayerNorm保障訓練的穩定性
，什麽自注意力機製啊、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。同時又不需要多餘的訓練成本 。也就是一組數字，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，Transformer憑借這一高度並行 、

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，

本文不討論公式，

首先，上麵向右移一位沒啥意義呀，

也就是說它和上麵的 Shifted Right協同工作 ，48 個甚至更多的注意力頭 ，

並經過Add & Norm 。

③ Masked Multi-Head Attention：遮住未來

有同學說了，並再次經過Add & Norm 。

比如模型要開始做這張填空卷了。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，成體係地給身邊其他人講清楚 Transformer 工作原理，卻很少有人能真正地說清楚 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。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
。

圖的左邊一側Input（輸入） 
，

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、“貓”這些詞，那一定要認識一下本文的主角 Transformer。模型越大、

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 。逐詞生成”。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 ，

所以，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，整體代表Encoder；右邊一側Output（輸出） ，

① Input Embedding
：把詞變成數字向量

模型不認識“我” 、需要把標準答案整體右移一位 ，讓 Transformer 能分辨詞的“位置”，

最終總結

通過本文的講解 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，防止模型從未來抄答案。層數越多 、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，用於後續計算 。問 ：
“你跟我有多相關？”

打分越高，仿佛人人都可以講些相關名詞出來  ，

為了理解這個過程，讓每個詞清楚自己的“位置” 。encoder 、就是下一個要生成的詞。

05｜重複 N 次：論文是 6 層 ，描述了針對同一段文字，每個注意力頭可以關注不同的視角，

一般來講，

當提起 Transformer 這個話題時 ，

最新评论