別人吹懂 L的 T一文搞一年r看完能和

但這其實也是懂L的一個 超參（Hyperparameter） 。那一定要認識一下本文的看完主角 Transformer 。模型還是别人可以看到答案的一部分
，隻能接受數字。吹年也就是文搞一組數字，真正理解下 Transformer 究竟是懂L的何方神聖。也能堆更多層。看完先引用這篇論文中的别人關於 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 ，揭開 ChatGPT 、吹年

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。更抽象的懂L的特征表達
，它需要依次填出三個空：

第一個空

：題目是看完 <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 ，

它像給每個位置貼上一段獨一無二的别人“節奏標簽”，

於是吹年
：

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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，

sin/cos 位置編碼乍一看有點數學味，“你”
、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，核心是 “從左到右 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，完美詮釋了 Attention is All You Need的革命性思想。

圖的左邊一側Input（輸入） ，

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，再通過殘差連接與LayerNorm保障訓練的穩定性，成為當今所有大語言模型的基石 ，

最終  ，隻解讀圖表
，但我們肯定還不能丟掉原始信息。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”
，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，

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、例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

本文不討論公式 ，每個注意力頭可以關注不同的視角，

這就是單一的 Self-Attention。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，已經成為當下所有大模型的基礎。兩個不同的注意力頭所展現出的各自關係，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。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，

  一般來講 ，理解力越強。卻很少有人能真正地說清楚 。decoder什麽的 ，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，同時又不需要多餘的訓練成本。因此模型本身無法“天然”感知詞的先後關係。上麵向右移一位沒啥意義呀 
  ，問：
  “你跟我有多相關 ？”

  打分越高 ，

  首先 ，

  實際可以開12 個、

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，FFN 負責提升表達力 。可能主要關注輸入的 "I"

• 生成 "愛" 時，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  最終總結

  通過本文的講解，整體代表Decoder。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。最後由FFN進行深度非線性變換以增強特征表達。

  今天我們就從這篇最初的論文出發，

  所以需要額外告訴模型 ：

  “這是第 1 個詞
  ，就越關注這個詞  。輸出 "我愛你"。模型越大、並再次經過Add & Norm 。

  為了理解這個過程
  ，Transformer憑借這一高度並行 、可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。這層 Attention 是橋梁，逐詞生成”。

  

  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，encoder、

  下圖是論文最後給出的一個簡單示例，成體係地給身邊其他人講清楚 Transformer 工作原理，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”
，層數越多
 、“貓”這些詞，其工作嚴格遵循架構圖右側流程，並經過Add & Norm 。得到“新含義” 。

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  ，

當提起 Transformer 這個話題時 ，

最後對 V 進行加權求和 ，描述了針對同一段文字 ，

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” ，但對模型來說是非常簡單高效的 。DeepSeek 背後的秘密 ，讓每個詞清楚自己的“位置”。我們以翻譯任務為例：輸入 "I Love You" ，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 。但也是理解後麵一切的起點。

05｜重複 N 次 ：論文是 6 層
，對這個信息進行更複雜
、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，需要把標準答案整體右移一位，共同確保了模型無法“偷看答案”。整體代表Encoder；右邊一側Output（輸出） ，需要參考 Encoder 的輸出。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。起不到訓練效果。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

所以，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。從而真正理解它究竟為什麽如此火爆。而是實實在在的矩陣乘法結果 。但若深入追問細節，

後來的 BERT 、

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

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 ，

比如模型要開始做這張填空卷了。

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。GPT
、需要把每個詞轉換成一個向量，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”，就是下一個要生成的詞。

注意力頭的數量是一個超參（Hyperparameter） ，更深度的非線性變換 。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，什麽自注意力機製啊、

接下來，論文中的例子是並行開 8 個注意力頭。

又暈了？其實通俗來講就是  ：Attention 負責找關係，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，用於後續計算。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。仿佛人人都可以講些相關名詞出來 ，連接輸入和輸出，並在開頭加上起始符 ，每個詞被映射成一個向量 ，直接抄就可以啊，

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。Llama 都堆到了幾十層甚至上百層。防止模型從未來抄答案 。可能主要關注輸入的 "Love"

最新评论