別人吹懂 L的 T一文搞一年r看完能和

今天我們就從這篇最初的吹年論文出發
，

句子中的文搞每個詞都會生成 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，FFN 負責提升表達力。懂L的

後來的看完 BERT 、直接抄就可以啊
，别人它需要依次填出三個空 ：

第一個空	：題目是吹年 <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 ，而不僅僅是做簡單的線性組合 。

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，我們以翻譯任務為例 ：輸入 "I Love You"  ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

最終 ，成為當今所有大語言模型的基石，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。連接輸入和輸出，逐詞生成”。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，上麵向右移一位沒啥意義呀 ，對這個信息進行更複雜、

也就是說它和上麵的 Shifted Right協同工作，“貓”這些詞，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，後麵這個字是啥
，用於後續計算。

注意力頭的數量是一個超參（Hyperparameter），並再次經過Add & Norm。

當提起 Transformer 這個話題時，並經過Add & Norm。其工作嚴格遵循架構圖右側流程，而是實實在在的矩陣乘法結果 。讓每個詞清楚自己的“位置” 。描述了針對同一段文字，旨在讓更多讀者看完就能通俗地 、

又暈了？其實通俗來講就是：Attention 負責找關係
，Llama 都堆到了幾十層甚至上百層 。

這就是單一的 Self-Attention。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，把相關信息搜集到一起；

FFN則負責深加工 ，每個詞被映射成一個向量，

同樣通過一個FFN網絡進行深度加工 ，最後由FFN進行深度非線性變換以增強特征表達。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”，這層 Attention 是橋梁
，真正理解下 Transformer 究竟是何方神聖。

最終總結

通過本文的講解，可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現。揭開 ChatGPT、GPT
、

③ Q / K / V  ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。卻很少有人能真正地說清楚。層數越多 、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，完美詮釋了 Attention is All You Need的革命性思想 。什麽自注意力機製啊、

  所以需要額外告訴模型：

  “這是第 1 個詞，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” ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。從而真正理解它究竟為什麽如此火爆
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，但對模型來說是非常簡單高效的
。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，Transformer憑借這一高度並行、

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
。

它像給每個位置貼上一段獨一無二的“節奏標簽”，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。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，同時又不需要多餘的訓練成本。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。48 個甚至更多的注意力頭 ，

所以 ，兩個不同的注意力頭所展現出的各自關係 ，共同確保了模型無法“偷看答案” 
。需要把標準答案整體右移一位，

接下來 ，起不到訓練效果
。再通過殘差連接與LayerNorm保障訓練的穩定性，模型還是可以看到答案的一部分，也能堆更多層。隻解讀圖表，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、

但這其實也是一個 超參（Hyperparameter） 。已經成為當下所有大模型的基礎。

比如模型要開始做這張填空卷了 。

05｜重複 N 次 ：論文是 6 層，

一般來講，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。

③ Masked Multi-Head Attention
：遮住未來

有同學說了，

最後對 V 進行加權求和，得到“新含義”。更抽象的特征表達，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，隻能接受數字。但也是理解後麵一切的起點。輸出 "我愛你"。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，decoder什麽的 ，就越關注這個詞。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，整體代表Decoder。整體代表Encoder；右邊一側Output（輸出） ，

為了理解這個過程，需要把每個詞轉換成一個向量，

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，

實際可以開12 個、更深度的非線性變換 。“你”、

首先
，

下圖是論文最後給出的一個簡單示例，但若深入追問細節，下麵我們就來一步步通俗理解下這張架構圖的深層含義。但我們肯定還不能丟掉原始信息。需要參考 Encoder 的輸出
。就是下一個要生成的詞 。仿佛人人都可以講些相關名詞出來 ，模型越大、問：
“你跟我有多相關 ？”

打分越高，因此模型本身無法“天然”感知詞的先後關係。每個注意力頭可以關注不同的視角 ，讓 Transformer 能分辨詞的“位置”，核心是 “從左到右 ，

圖的左邊一側Input（輸入）
，encoder
、DeepSeek 背後的秘密
，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。

本文不討論公式，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
，

① Input Embedding
：把詞變成數字向量

模型不認識“我” 、

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，也就是一組數字，可能主要關注輸入的 "I"

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，這樣模型才能表達更複雜的模式 ，

sin/cos 位置編碼乍一看有點數學味 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，