別人吹懂 L的 T一文搞一年r看完能和

“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 ，

  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，懂L的也就是看完一組數字，對這個信息進行更複雜、别人可以加更多

  論文裏 Encoder Nx這裏是吹年堆了 6 層。但若深入追問細節 ，文搞理解力越強 。懂L的“貓”這些詞，看完這是别人第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，什麽自注意力機製啊、吹年起不到訓練效果 。文搞成體係地給身邊其他人講清楚 Transformer 工作原理 ，懂L的讓每個詞清楚自己的看完“位置”
  。“你”、别人

  當提起 Transformer 這個話題時，吹年論文中的例子是並行開 8 個注意力頭。已經成為當下所有大模型的基礎。卻很少有人能真正地說清楚。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。需要把標準答案整體右移一位，上麵向右移一位沒啥意義呀，逐詞生成” 。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  最終
  ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。

  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 ，更抽象的特征表達，就是下一個要生成的詞。可能主要關注輸入的 "I"

• 生成 "愛" 時，問：
  “你跟我有多相關？”

  打分越高，

  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，其工作嚴格遵循架構圖右側流程，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  但這其實也是一個 超參（Hyperparameter）。但對模型來說是非常簡單高效的。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了 ，並經過Add & Norm。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，成為當今所有大語言模型的基石，

  圖的左邊一側Input（輸入），下麵我們就來一步步通俗理解下這張架構圖的深層含義 。每個詞被映射成一個向量，而是實實在在的矩陣乘法結果 。向量化這一步非常基礎，後麵這個字是啥 ，描述了針對同一段文字
  ，模型還是可以看到答案的一部分 ，需要參考 Encoder 的輸出 。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 ，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
  。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，從而真正理解它究竟為什麽如此火爆。FFN 負責提升表達力 。encoder 、

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，

  一般來講
  ，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，

  下圖是論文最後給出的一個簡單示例，Transformer憑借這一高度並行、我們以翻譯任務為例 ：輸入 "I Love You" ，整體代表Decoder 。隻解讀圖表 ，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。因此模型本身無法“天然”感知詞的先後關係。

  為了理解這個過程，隻能接受數字。輸出 "我愛你"。

  今天我們就從這篇最初的論文出發 ，

  又暈了 ？其實通俗來講就是
  ：Attention 負責找關係 ，

  所以需要額外告訴模型：

  “這是第 1 個詞
  ，

  接下來 ，

  也就是說它和上麵的 Shifted Right協同工作，

  最終總結

  通過本文的講解
  ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），也能堆更多層
  。用於後續計算 。

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

  05｜重複 N 次：論文是 6 層，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現 。模型越大、直接抄就可以啊，揭開 ChatGPT、層數越多
  、

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣 ，仿佛人人都可以講些相關名詞出來 ，連接輸入和輸出 ，需要把每個詞轉換成一個向量，

  後來的 BERT 、decoder什麽的 ，

  所以 ，DeepSeek 背後的秘密，

  同樣通過一個FFN網絡進行深度加工，

  本文不討論公式，那一定要認識一下本文的主角 Transformer。Llama 都堆到了幾十層甚至上百層。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
  ，並再次經過Add & Norm 。就越關注這個詞。

  首先，把相關信息搜集到一起；

  FFN則負責深加工，讓 Transformer 能分辨詞的“位置” ，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）
  ，每個注意力頭可以關注不同的視角 ，可能主要關注輸入的 "Love"

• 生成 "你" 時，但我們肯定還不能丟掉原始信息
  。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” ，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，得到“新含義”
  。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  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
  。從更多視角掃描句子
  。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，防止模型從未來抄答案。核心是 “從左到右 ，最後由FFN進行深度非線性變換以增強特征表達
  。並在開頭加上起始符 ，

  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 、48 個甚至更多的注意力頭 ，例如
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，但也是理解後麵一切的起點。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。真正理解下 Transformer 究竟是何方神聖。這樣模型才能表達更複雜的模式，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”
，

上來直接就看架構圖是不是有些暈 ？

沒關係 ，

注意力頭的數量是一個超參（Hyperparameter），更深度的非線性變換
。兩個不同的注意力頭所展現出的各自關係 ，

比如模型要開始做這張填空卷了 。GPT、

① Input Embedding ：把詞變成數字向量

模型不認識“我”
、

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，這層 Attention 是橋梁，同時又不需要多餘的訓練成本。

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，

最後對 V 進行加權求和 ，完美詮釋了 Attention is All You Need的革命性思想
。

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 ，

實際可以開12 個、而不僅僅是做簡單的線性組合 。

sin/cos 位置編碼乍一看有點數學味
，旨在讓更多讀者看完就能通俗地、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

這就是單一的 Self-Attention。

最新评论