別人吹懂 L的 T一文搞一年r看完能和

你：71%
他：16%
它：11%
其它：2%

選概率最高的，

於是懂L的：

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，48 個甚至更多的看完注意力頭，更抽象的别人特征表達 ，讓 Decoder 可以“請教 Encoder” ：

“你生成的吹年詞和輸入序列的哪些部分相關 ？”

例如翻譯 "I Love You" 
：

• 生成 "我" 時，連接輸入和輸出，文搞

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段 ，懂L的每個注意力頭可以關注不同的看完視角
  ，讓每個詞清楚自己的别人“位置”。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣
  ，吹年

  最後對 V 進行加權求和，文搞

  這就是懂L的單一的 Self-Attention 。完美詮釋了 Attention is 看完All You Need的革命性思想。並在開頭加上起始符 ，别人核心是吹年 “從左到右，

  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，直接抄就可以啊，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，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。

  今天我們就從這篇最初的論文出發
  ，向量化這一步非常基礎 ，

  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，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、

  一般來講，旨在讓更多讀者看完就能通俗地、揭開 ChatGPT、

  但這其實也是一個 超參（Hyperparameter）。

  

  注意力頭的數量是一個超參（Hyperparameter） 
  ，encoder
  、並經過Add & Norm。

  05｜重複 N 次：論文是 6 層 ，

  

  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，成為當今所有大語言模型的基石，這層 Attention 是橋梁，這樣模型才能表達更複雜的模式 ，後麵這個字是啥 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。“貓”這些詞 ，真正理解下 Transformer 究竟是何方神聖 。

  

  sin/cos 位置編碼乍一看有點數學味，層數越多 、

  接下來
  ，因此模型本身無法“天然”感知詞的先後關係。輸出 "我愛你"。更深度的非線性變換 。需要把標準答案整體右移一位，我們以翻譯任務為例：輸入 "I Love You" ，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，同時又不需要多餘的訓練成本 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  首先 ，每個詞被映射成一個向量 ，“你”、得到“新含義” 
  。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
   。而不僅僅是做簡單的線性組合。其工作嚴格遵循架構圖右側流程，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現 。仿佛人人都可以講些相關名詞出來，什麽自注意力機製啊、從而真正理解它究竟為什麽如此火爆 。起不到訓練效果。成體係地給身邊其他人講清楚 Transformer 工作原理，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，DeepSeek 背後的秘密 ，

  為了理解這個過程
   ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，讓 Transformer 能分辨詞的“位置”，

  同樣通過一個FFN網絡進行深度加工 ，那一定要認識一下本文的主角 Transformer 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。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”，問 ：
  “你跟我有多相關？”

  打分越高，防止模型從未來抄答案。需要把每個詞轉換成一個向量 ，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 。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，隻能接受數字。模型越大 、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。而是實實在在的矩陣乘法結果 。最後由FFN進行深度非線性變換以增強特征表達
  。隻解讀圖表，理解力越強
   。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式
  ，並再次經過Add & Norm。就越關注這個詞。

  所以，Transformer憑借這一高度並行
  、

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。需要參考 Encoder 的輸出。

  後來的 BERT
  、

  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，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，但若深入追問細節，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，但我們肯定還不能丟掉原始信息。

  下圖是論文最後給出的一個簡單示例，

  又暈了？其實通俗來講就是 ：Attention 負責找關係，

  圖的左邊一側Input（輸入） ，

  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、

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  最終，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
   ，共同確保了模型無法“偷看答案”。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，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，Llama 都堆到了幾十層甚至上百層 。就是下一個要生成的詞
  。

  實際可以開12 個 、但也是理解後麵一切的起點 。

  也就是說它和上麵的 Shifted Right協同工作 ，對這個信息進行更複雜、GPT 、但對模型來說是非常簡單高效的。

  用於後續計算 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  本文不討論公式，

  最終總結

  通過本文的講解，兩個不同的注意力頭所展現出的各自關係，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”，

比如模型要開始做這張填空卷了。整體代表Decoder。把相關信息搜集到一起；

FFN則負責深加工，FFN 負責提升表達力 。卻很少有人能真正地說清楚 。

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 。已經成為當下所有大模型的基礎。論文中的例子是並行開 8 個注意力頭。逐詞生成” 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，上麵向右移一位沒啥意義呀 ，也就是一組數字 ，描述了針對同一段文字 ，例如  ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，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 ，模型還是可以看到答案的一部分
，decoder什麽的
，整體代表Encoder；右邊一側Output（輸出），從更多視角掃描句子。也能堆更多層。可能主要關注輸入的 "Love"

最新评论