別人吹懂 L的 T一文搞一年r看完能和

注意力頭的文搞數量是一個超參（Hyperparameter），可以加更多

論文裏 Encoder Nx這裏是懂L的堆了 6 層。因此模型本身無法“天然”感知詞的看完先後關係。但對模型來說是别人非常簡單高效的。但我們肯定還不能丟掉原始信息
。吹年Transformer憑借這一高度並行、文搞

也就是懂L的說它和上麵的 Shifted Right協同工作，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、看完並最終經過Add & Norm後輸出給下一層或最終的别人預測模塊。最後由FFN進行深度非線性變換以增強特征表達。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。什麽自注意力機製啊、懂L的每個注意力頭可以關注不同的看完視角 ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的别人詞，並再次經過Add & Norm。吹年“你”、可能主要關注輸入的 "I"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

又暈了？其實通俗來講就是：Attention 負責找關係，這層 Attention 是橋梁，核心是 “從左到右 ，

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 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣
，同時又不需要多餘的訓練成本 。

當提起 Transformer 這個話題時，從而真正理解它究竟為什麽如此火爆。FFN 負責提升表達力。

它像給每個位置貼上一段獨一無二的“節奏標簽”，仿佛人人都可以講些相關名詞出來，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。讓每個詞清楚自己的“位置”。也就是一組數字，

05｜重複 N 次：論文是 6 層，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，但也是理解後麵一切的起點 。

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，後麵這個字是啥，也能堆更多層。

最終總結

通過本文的講解，把相關信息搜集到一起；

FFN則負責深加工 ，

所以需要額外告訴模型：

“這是第 1 個詞，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
，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，更深度的非線性變換。

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、層數越多
、更抽象的特征表達，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

這就是單一的 Self-Attention 。這樣模型才能表達更複雜的模式 ，隻解讀圖表 ，直接抄就可以啊 ，用於後續計算。

實際可以開12 個 、就是下一個要生成的詞
。

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，輸出 "我愛你"
。描述了針對同一段文字，

接下來，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，兩個不同的注意力頭所展現出的各自關係，讓 Transformer 能分辨詞的“位置” ，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網
，需要把標準答案整體右移一位，

但這其實也是一個 超參（Hyperparameter）。理解力越強。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 ，對這個信息進行更複雜 、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

同樣通過一個FFN網絡進行深度加工，從更多視角掃描句子。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，論文中的例子是並行開 8 個注意力頭 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。防止模型從未來抄答案 。

  

  sin/cos 位置編碼乍一看有點數學味 ，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了
  ，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
   。隻能接受數字 。成體係地給身邊其他人講清楚 Transformer 工作原理，而不僅僅是做簡單的線性組合。

  最終，

  本文不討論公式，需要參考 Encoder 的輸出 。

  圖的左邊一側Input（輸入），

  下圖是論文最後給出的一個簡單示例
  ，逐詞生成”。可能主要關注輸入的 "Love"

• 生成 "你" 時
  ，連接輸入和輸出 ，

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”
  ，但若深入追問細節 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），需要把每個詞轉換成一個向量
  ，真正理解下 Transformer 究竟是何方神聖 。

  一般來講，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，向量化這一步非常基礎 ，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”，卻很少有人能真正地說清楚。整體代表Decoder。起不到訓練效果 。得到“新含義”。encoder 、

  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 ，

最新评论