別人吹懂 L的 T一文搞一年r看完能和

圖的文搞左邊一側Input（輸入），

論文中描述FFN的懂L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 、上麵向右移一位沒啥意義呀 ，看完

又暈了？别人其實通俗來講就是：Attention 負責找關係 ，需要把標準答案整體右移一位 ，吹年向量化這一步非常基礎
，文搞

在Multi-Head Attention（即論文中的懂L的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，decoder什麽的看完 ，但對模型來說是别人非常簡單高效的
 。模型還是吹年可以看到答案的一部分，

它像給每個位置貼上一段獨一無二的文搞“節奏標簽” ，encoder 、懂L的

它最初來自一篇被稱為“AI 大航海時代起點”的看完論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，描述了針對同一段文字 ，别人模型越大、吹年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 ，整體代表Decoder。可能主要關注輸入的 "Love"

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，對這個信息進行更複雜、更深度的非線性變換 。“你”、兩個不同的注意力頭所展現出的各自關係，隻能接受數字 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。仿佛人人都可以講些相關名詞出來 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，什麽自注意力機製啊
、卻很少有人能真正地說清楚。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，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，Transformer憑借這一高度並行、從而真正理解它究竟為什麽如此火爆。防止模型從未來抄答案 。更抽象的特征表達 ，輸出 "我愛你"。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

最後對 V 進行加權求和，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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，連接輸入和輸出  ，

後來的 BERT、

今天我們就從這篇最初的論文出發  ，得到“新含義”。再通過殘差連接與LayerNorm保障訓練的穩定性，需要參考 Encoder 的輸出  。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，隻解讀圖表，直接抄就可以啊，而是實實在在的矩陣乘法結果。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，就越關注這個詞。

比如模型要開始做這張填空卷了
。把相關信息搜集到一起；

FFN則負責深加工
，並再次經過Add & Norm。

當提起 Transformer 這個話題時，每個注意力頭可以關注不同的視角
，並在開頭加上起始符  ，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。

同樣通過一個FFN網絡進行深度加工 ，

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 ，共同確保了模型無法“偷看答案”。已經成為當下所有大模型的基礎 。因此模型本身無法“天然”感知詞的先後關係 。

一般來講，同時又不需要多餘的訓練成本
。理解力越強。

下圖是論文最後給出的一個簡單示例 ，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
。旨在讓更多讀者看完就能通俗地、

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，這樣模型才能表達更複雜的模式
，但我們肯定還不能丟掉原始信息。

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 ，我們以翻譯任務為例：輸入 "I Love You"  ，問：
“你跟我有多相關 ？”

打分越高 ，論文中的例子是並行開 8 個注意力頭。但也是理解後麵一切的起點。

注意力頭的數量是一個超參（Hyperparameter），那一定要認識一下本文的主角 Transformer。最後由FFN進行深度非線性變換以增強特征表達。真正理解下 Transformer 究竟是何方神聖。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。讓 Transformer 能分辨詞的“位置”，逐詞生成”。48 個甚至更多的注意力頭
，

所以需要額外告訴模型 ：

“這是第 1 個詞，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，其工作嚴格遵循架構圖右側流程，

實際可以開12 個、FFN 負責提升表達力 。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

sin/cos 位置編碼乍一看有點數學味，

最終總結

通過本文的講解
，整體代表Encoder；右邊一側Output（輸出）  ，DeepSeek 背後的秘密
，

05｜重複 N 次：論文是 6 層，

為了理解這個過程，成為當今所有大語言模型的基石，每個詞被映射成一個向量
，核心是 “從左到右，“貓”這些詞
 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。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 ，也就是一組數字，可能主要關注輸入的 "I"

生成 "愛" 時
，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 ，

所以 ，從更多視角掃描句子。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” ，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，也能堆更多層。揭開 ChatGPT、這層 Attention 是橋梁，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），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，

  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 。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、完美詮釋了 Attention is All You Need的革命性思想 
  。起不到訓練效果。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，後麵這個字是啥，

  首先，

  也就是說它和上麵的 Shifted Right協同工作，

  接下來
  ，GPT、用於後續計算。Llama 都堆到了幾十層甚至上百層。就是下一個要生成的詞。

  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
  ，但若深入追問細節 ，而不僅僅是做簡單的線性組合。

  但這其實也是一個 超參（Hyperparameter）。

  這就是單一的 Self-Attention 。需要把每個詞轉換成一個向量 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，讓每個詞清楚自己的“位置”
   。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  最終，層數越多
  、

最新评论