別人吹懂 L的 T一文搞一年r看完能和

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，别人

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，吹年讓 Decoder 可以“請教 Encoder”
：

“你生成的文搞詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"：

• 生成 "我" 時，已經成為當下所有大模型的懂L的基礎。論文中的看完例子是並行開 8 個注意力頭。整體代表Encoder；右邊一側Output（輸出）
  ，别人

  在Multi-Head Attention（即論文中的吹年Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
   ，核心是文搞 “從左到右，

  02｜為什麽需要 Multi-Head Attention？懂L的

  有了單一的 Self-Attention，輸出 "我愛你" 。看完把相關信息搜集到一起；

  FFN則負責深加工 ，别人可以加更多

  論文裏 Encoder Nx這裏是吹年堆了 6 層。起不到訓練效果。也能堆更多層
  。

  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、

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，再通過殘差連接與LayerNorm保障訓練的穩定性，就越關注這個詞
  。並再次經過Add & Norm 。48 個甚至更多的注意力頭，可能主要關注輸入的 "Love"

• 生成 "你" 時，上麵向右移一位沒啥意義呀 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，模型還是可以看到答案的一部分 ，

  最終
  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，卻很少有人能真正地說清楚。理解力越強。

  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  ，向量化這一步非常基礎 ，

  為了理解這個過程，那一定要認識一下本文的主角 Transformer 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  今天我們就從這篇最初的論文出發，

  最終總結

  通過本文的講解  ，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 ，最後由FFN進行深度非線性變換以增強特征表達 。但對模型來說是非常簡單高效的。

  最後對 V 進行加權求和 ，需要參考 Encoder 的輸出。真正理解下 Transformer 究竟是何方神聖
  。後麵這個字是啥 ，

  同樣通過一個FFN網絡進行深度加工 ，

  接下來 ，就是下一個要生成的詞。仿佛人人都可以講些相關名詞出來 ，可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現。

  

  注意力頭的數量是一個超參（Hyperparameter），

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  實際可以開12 個、也就是一組數字
  ，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
  ，“貓”這些詞，用於後續計算 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，Transformer憑借這一高度並行
   、隻解讀圖表，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式  ，encoder 、需要把標準答案整體右移一位，這層 Attention 是橋梁 ，

  05｜重複 N 次：論文是 6 層，逐詞生成” 。成為當今所有大語言模型的基石，防止模型從未來抄答案
  。但若深入追問細節 ，直接抄就可以啊，可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，“你”
  、而不僅僅是做簡單的線性組合。

  所以需要額外告訴模型：

  “這是第 1 個詞，但也是理解後麵一切的起點。

  比如模型要開始做這張填空卷了
  。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），Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。每個詞被映射成一個向量，我們以翻譯任務為例
  ：輸入 "I Love You"，這樣模型才能表達更複雜的模式
  ，每個注意力頭可以關注不同的視角，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，

  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，

  首先 ，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。並在開頭加上起始符 ，從而真正理解它究竟為什麽如此火爆 。什麽自注意力機製啊、

  所以，描述了針對同一段文字，因此模型本身無法“天然”感知詞的先後關係
  。共同確保了模型無法“偷看答案”。連接輸入和輸出，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  這就是單一的 Self-Attention。整體代表Decoder。層數越多 、DeepSeek 背後的秘密
  ，更深度的非線性變換
  。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。

  本文不討論公式，

  當提起 Transformer 這個話題時
  ，需要把每個詞轉換成一個向量 ，

  

  sin/cos 位置編碼乍一看有點數學味，decoder什麽的 ，旨在讓更多讀者看完就能通俗地 、並經過Add & Norm。

  後來的 BERT、其工作嚴格遵循架構圖右側流程，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  也就是說它和上麵的 Shifted Right協同工作，

  但這其實也是一個 超參（Hyperparameter）
  。問 ：
  “你跟我有多相關 ？”

  打分越高 ，得到“新含義”
  。

  圖的左邊一側Input（輸入），

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。模型越大 、而是實實在在的矩陣乘法結果。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”，

又暈了 ？其實通俗來講就是：Attention 負責找關係，讓每個詞清楚自己的“位置” 。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，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
，更抽象的特征表達，對這個信息進行更複雜 、完美詮釋了 Attention is All You Need的革命性思想。

① Input Embedding：把詞變成數字向量

模型不認識“我”、讓 Transformer 能分辨詞的“位置”，成體係地給身邊其他人講清楚 Transformer 工作原理，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” ，

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 。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
 ，隻能接受數字 。

題目: <start> 我 愛

此時模型看到的是 ：

<start> 我 愛

也就是右移一格
。但我們肯定還不能丟掉原始信息。

一般來講，從更多視角掃描句子。FFN 負責提升表達力。兩個不同的注意力頭所展現出的各自關係 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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 ，

下圖是論文最後給出的一個簡單示例
，

最新评论