別人吹懂 L的 T一文搞一年r看完能和
我要评论一般來講 ，别人
① Output Embedding ：先把輸出詞變向量
理解方式和輸入一樣 ，吹年已經成為當下所有大模型的文搞基礎 。因此模型本身無法“天然”感知詞的懂L的先後關係 。
首先，看完隻解讀圖表，别人DeepSeek 背後的吹年秘密，
05｜重複 N 次 ：論文是 6 層 ，直接抄就可以啊 ，懂L的更抽象的看完特征表達 ，
但這其實也是别人一個 超參（Hyperparameter） 。完美詮釋了 Attention is 吹年All You Need的革命性思想 。這層 Attention 是橋梁，就是下一個要生成的詞
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。
實際可以開12 個、encoder
、問：
“你跟我有多相關 ？”
打分越高 ，這樣模型才能表達更複雜的模式 ，並經過Add & Norm 。每個注意力頭可以關注不同的視角 ，
下圖是論文最後給出的一個簡單示例 ，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” ，
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 。
今天我們就從這篇最初的論文出發 ，論文中的例子是並行開 8 個注意力頭 。最後由FFN進行深度非線性變換以增強特征表達 。
注意力頭的數量是一個超參（Hyperparameter） ，
圖的左邊一側Input（輸入） ，仿佛人人都可以講些相關名詞出來 ，輸出 "我愛你" 。
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，其工作嚴格遵循架構圖右側流程 ，
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，並再次經過Add & Norm。把相關信息搜集到一起；
FFN則負責深加工，成體係地給身邊其他人講清楚 Transformer 工作原理 ，可以加更多
論文裏 Encoder Nx這裏是堆了 6 層
。
① Input Embedding：把詞變成數字向量
模型不認識“我” 、
當提起 Transformer 這個話題時 ，需要把每個詞轉換成一個向量 ，
02｜為什麽需要 Multi-Head Attention ？
有了單一的 Self-Attention，揭開 ChatGPT 、
③ Masked Multi-Head Attention ：遮住未來
有同學說了 ，
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，用於後續計算
。
04｜Feed Forward 網絡（FFN） ：進一步加工語義
Attention層負責廣撒網，核心是 “從左到右，隻能接受數字 。兩個不同的注意力頭所展現出的各自關係 ，同時又不需要多餘的訓練成本 。
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 ，共同確保了模型無法“偷看答案” 。就越關注這個詞 。
③ Q / K / V：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。而是實實在在的矩陣乘法結果。但也是理解後麵一切的起點 。這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ，從更多視角掃描句子。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。旨在讓更多讀者看完就能通俗地 、也就是一組數字 ，起不到訓練效果 。可能主要關注輸入的 "I"
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，
接下來 ，讓每個詞清楚自己的“位置” 。模型越大、
又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，
為了理解這個過程 ，理解力越強。可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現 。
它像給每個位置貼上一段獨一無二的“節奏標簽” ，
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。需要參考 Encoder 的輸出 。描述了針對同一段文字，48 個甚至更多的注意力頭 ，成為當今所有大語言模型的基石 ，GPT 、我們以翻譯任務為例 ：輸入 "I Love You" ，那一定要認識一下本文的主角 Transformer 。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，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。連接輸入和輸出 ，
比如模型要開始做這張填空卷了 。層數越多 、
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 ，整體代表Decoder 。“貓”這些詞 ，什麽自注意力機製啊 、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
，再通過殘差連接與LayerNorm保障訓練的穩定性 ，每個詞被映射成一個向量
，上麵向右移一位沒啥意義呀，
同樣通過一個FFN網絡進行深度加工 ，
最後對 V 進行加權求和 ，
最終 ，需要把標準答案整體右移一位 ，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 ，
最終總結
通過本文的講解 ，Llama 都堆到了幾十層甚至上百層 。
② Shifted Right：防止模型“偷看答案”
在模型訓練階段 ，防止模型從未來抄答案 。從而真正理解它究竟為什麽如此火爆。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 。
後來的 BERT 、並在開頭加上起始符
，逐詞生成”。 如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，但對模型來說是非常簡單高效的 。
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 ，“你”、
sin/cos 位置編碼乍一看有點數學味 ，可能主要關注輸入的 "Love"
- 生成 "你" 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 ，
所以需要額外告訴模型 ：
“這是第 1 個詞 ，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、但若深入追問細節 ，
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，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 。得到“新含義”。
06｜Decoder 如何像人一樣“輸出”內容 ？
Decoder是模型的“寫作器” ，模型還是可以看到答案的一部分，對這個信息進行更複雜 、而不僅僅是做簡單的線性組合 。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 ，
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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），
這就是單一的 Self-Attention 。FFN 負責提升表達力 。向量化這一步非常基礎 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，整體代表Encoder；右邊一側Output（輸出） ，Transformer憑借這一高度並行、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” ，也能堆更多層 。卻很少有人能真正地說清楚 。
所以 ，decoder什麽的 ，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，
本文不討論公式 ，
相关文章
為什麽說 IO 操作異步才有意義，CPU 密集操作異步沒有太大意義背景與問題在後端開發中 ，我們經常討論異步編程模型 ，尤其是在 Node.js 、Netty 等技術棧中。一個普遍的共識是 ：異步對於 IO2026-09-02
.NET 數組的上限這些年經常看到有人抱怨 .NET 數組的最大長度 。在 .NET 裏 ，數組 、集合 、Span 以及很多相關 API 都是圍繞 32 位長度和索引設計的。GitHub 上曾經有一個很長的2026-09-02
傳統 async/await.NET 自古以來就提供了 async/await 異步編程模型，這套機製允許開發者以同步方式編寫異步代碼 ，從而簡化了異步編程的複雜性 。async/await 機製本質上是2026-09-02
Pretext 是一個用 TypeScript 實現的用於多行文本精確測量和布局的引擎。不碰 DOM ，不觸發 reflow ，卻能完美匹配瀏覽器字體引擎在各種語言 、emoji、混合文字方向下的真實表現。2026-09-02
在數學建模比賽中 ，優化模型是最常見的數學模型 。引言在實際問題中 ，優化模型是在一組約束條件下 ，使得具體目標的評判標準達到最優 ：例如公司經理要根據生產成本和市場需求確定產品價格 ，使所獲利潤最高；調度人員要2026-09-02
別再吹牛了，100% Vibe Coding 存在無法自洽的邏輯漏洞！
注：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結 ，有趣的是在寫這篇文章過程中 ，查到一個很好玩的資料 ，就是 Vibe Coding 這個詞的發明者 Andrej KarpathyOp2026-09-02
最新评论