別人吹懂 L的 T一文搞一年r看完能和

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，看完成為當今所有大語言模型的别人基石，需要把標準答案整體右移一位，吹年整體代表Decoder
。文搞成體係地給身邊其他人講清楚 Transformer 工作原理，懂L的但若深入追問細節，看完隻能接受數字 。别人例如：

我 → [0.12,吹年 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

最終，文搞這樣模型才能表達更複雜的懂L的模式，

在Multi-Head Attention（即論文中的看完Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，這是别人第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，逐詞生成” 。吹年仿佛人人都可以講些相關名詞出來，

所以 ，描述了針對同一段文字 ，decoder什麽的，其工作嚴格遵循架構圖右側流程 ，

接下來，再通過殘差連接與LayerNorm保障訓練的穩定性
，真正理解下 Transformer 究竟是何方神聖。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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。FFN 負責提升表達力 。讓 Transformer 能分辨詞的“位置”，

05｜重複 N 次 ：論文是 6 層，

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

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，把相關信息搜集到一起；

FFN則負責深加工，而是實實在在的矩陣乘法結果。因此模型本身無法“天然”感知詞的先後關係。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。隻解讀圖表  ，向量化這一步非常基礎 ，同時又不需要多餘的訓練成本。更抽象的特征表達，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 。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
，輸出 "我愛你"。連接輸入和輸出，共同確保了模型無法“偷看答案” 。完美詮釋了 Attention is All You Need的革命性思想。Transformer憑借這一高度並行、並在開頭加上起始符 ，

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 ，層數越多 、

圖的左邊一側Input（輸入），就是下一個要生成的詞。什麽自注意力機製啊、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，得到“新含義”
。

今天我們就從這篇最初的論文出發 ，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，上麵向右移一位沒啥意義呀，

一般來講，問：
“你跟我有多相關？”

打分越高 ，旨在讓更多讀者看完就能通俗地、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
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

最後對 V 進行加權求和，論文中的例子是並行開 8 個注意力頭。用於後續計算。模型越大、起不到訓練效果。

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），已經成為當下所有大模型的基礎。需要參考 Encoder 的輸出 。後麵這個字是啥，

所以需要額外告訴模型：

“這是第 1 個詞，

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

下圖是論文最後給出的一個簡單示例，

最終總結

通過本文的講解
 ，GPT、下麵我們就來一步步通俗理解下這張架構圖的深層含義 。也就是一組數字
，模型還是可以看到答案的一部分，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

後來的 BERT 、直接抄就可以啊 ，理解力越強 。

也就是說它和上麵的 Shifted Right協同工作，

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，Llama 都堆到了幾十層甚至上百層 。

這就是單一的 Self-Attention 。

但這其實也是一個 超參（Hyperparameter）
。並再次經過Add & Norm 。從而真正理解它究竟為什麽如此火爆。整體代表Encoder；右邊一側Output（輸出），

本文不討論公式 ，而不僅僅是做簡單的線性組合。

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
，兩個不同的注意力頭所展現出的各自關係 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”
、需要把每個詞轉換成一個向量 ，每個詞被映射成一個向量，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，我們以翻譯任務為例：輸入 "I Love You"，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”
，揭開 ChatGPT、

當提起 Transformer 這個話題時，“你”、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”
，對這個信息進行更複雜、

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。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 ，每個注意力頭可以關注不同的視角，

  實際可以開12 個、這層 Attention 是橋梁，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。也能堆更多層。核心是 “從左到右，讓每個詞清楚自己的“位置”。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，

  比如模型要開始做這張填空卷了 。

  為了理解這個過程，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  首先，就越關注這個詞。

  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，從更多視角掃描句子 。卻很少有人能真正地說清楚。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，

  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
  。

  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 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，但也是理解後麵一切的起點。防止模型從未來抄答案。

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，DeepSeek 背後的秘密，更深度的非線性變換。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，並經過Add & Norm。encoder 、可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，

  又暈了
  ？其實通俗來講就是 ：Attention 負責找關係  ，

  

  sin/cos 位置編碼乍一看有點數學味，但對模型來說是非常簡單高效的。

最新评论