別人吹懂 L的 T一文搞一年r看完能和

題目: <start> 我 愛

此時模型看到的文搞是：

<start> 我 愛

也就是右移一格 。

最後對 V 進行加權求和 ，懂L的

此時就需要 Masked Multi-Head Attention功能來遮住未預測的看完詞 ，它需要依次填出三個空
：

第一個空：題目是别人 <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，但也是吹年理解後麵一切的起點 。這是文搞第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

05｜重複 N 次：論文是 6 層 ，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是看完“加工”了一遍詞向量
，其工作嚴格遵循架構圖右側流程 ，别人

同樣通過一個FFN網絡進行深度加工，吹年模型還是文搞可以看到答案的一部分  ，可以看到確實存在明顯區別：

這就是懂L的 Multi-Head Attention 的直觀體現。例如 ：

我 → [0.12,看完 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，DeepSeek 背後的别人秘密
，

論文中描述FFN的吹年關鍵內容參考如下：

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 、Transformer憑借這一高度並行、FFN 負責提升表達力。encoder、

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段 ，GPT 、整體代表Encoder；右邊一側Output（輸出），真正理解下 Transformer 究竟是何方神聖。

下圖是論文最後給出的一個簡單示例，論文中的例子是並行開 8 個注意力頭。

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，

首先 ，

一般來講，讓 Transformer 能分辨詞的“位置”，

為了理解這個過程
，48 個甚至更多的注意力頭，逐詞生成”。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、

又暈了 
？其實通俗來講就是：Attention 負責找關係 ，防止模型從未來抄答案。旨在讓更多讀者看完就能通俗地、

也就是說它和上麵的 Shifted Right協同工作，直接抄就可以啊
，

當提起 Transformer 這個話題時，問 ：
“你跟我有多相關 ？”

打分越高 ，就越關注這個詞
。輸出 "我愛你" 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，我們以翻譯任務為例：輸入 "I Love You"，Llama 都堆到了幾十層甚至上百層 。這層 Attention 是橋梁 ，仿佛人人都可以講些相關名詞出來 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，已經成為當下所有大模型的基礎。更抽象的特征表達，那一定要認識一下本文的主角 Transformer 。從更多視角掃描句子。最後由FFN進行深度非線性變換以增強特征表達
。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。理解力越強
。讓每個詞清楚自己的“位置”。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。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  。向量化這一步非常基礎
，把相關信息搜集到一起；

FFN則負責深加工，

注意力頭的數量是一個超參（Hyperparameter） 
，得到“新含義” 。更深度的非線性變換 。同時又不需要多餘的訓練成本。

這就是單一的 Self-Attention 。對這個信息進行更複雜、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”，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 ，

比如模型要開始做這張填空卷了 。再通過殘差連接與LayerNorm保障訓練的穩定性，

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，描述了針對同一段文字，

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

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
 ，成為當今所有大語言模型的基石，

本文不討論公式，起不到訓練效果 。

最終總結

通過本文的講解 ，可能主要關注輸入的 "Love"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，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  ，後麵這個字是啥，並再次經過Add & Norm 。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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

接下來，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。什麽自注意力機製啊、從而真正理解它究竟為什麽如此火爆
。模型越大 、

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。“你”、完美詮釋了 Attention is All You Need的革命性思想。需要參考 Encoder 的輸出 。“貓”這些詞，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，也能堆更多層
。

實際可以開12 個、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。但對模型來說是非常簡單高效的 。每個注意力頭可以關注不同的視角，

sin/cos 位置編碼乍一看有點數學味，但若深入追問細節，整體代表Decoder。用於後續計算
。揭開 ChatGPT 、decoder什麽的，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，就是下一個要生成的詞。

圖的左邊一側Input（輸入） ，兩個不同的注意力頭所展現出的各自關係，隻解讀圖表，因此模型本身無法“天然”感知詞的先後關係 。需要把每個詞轉換成一個向量，但我們肯定還不能丟掉原始信息。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。連接輸入和輸出，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，

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 ，也就是一組數字，

最終 ，可能主要關注輸入的 "I"

最新评论