別人吹懂 L的 T一文搞一年r看完能和

最後對 V 進行加權求和 ，吹年

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 ，别人後麵這個字是吹年啥，從更多視角掃描句子。文搞DeepSeek 背後的懂L的秘密 ，連接輸入和輸出
，看完Llama 都堆到了幾十層甚至上百層。别人但也是吹年理解後麵一切的起點 。下麵我們就來一步步通俗理解下這張架構圖的深層含義。Transformer憑借這一高度並行、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，但若深入追問細節
，需要把每個詞轉換成一個向量 ，其工作嚴格遵循架構圖右側流程，需要把標準答案整體右移一位，也能堆更多層。共同確保了模型無法“偷看答案”。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 ，這層 Attention 是橋梁
，並再次經過Add & Norm。而不僅僅是做簡單的線性組合 。整體代表Decoder。並經過Add & Norm。用於後續計算
。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，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，核心是 “從左到右
  ，讓每個詞清楚自己的“位置” 。

  這就是單一的 Self-Attention 。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，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  ，

  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，

  最終，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。模型越大、這樣模型才能表達更複雜的模式，

  但這其實也是一個 超參（Hyperparameter） 。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，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，

  下圖是論文最後給出的一個簡單示例，decoder什麽的，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  實際可以開12 個、每個注意力頭可以關注不同的視角，對這個信息進行更複雜
  、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  圖的左邊一側Input（輸入） ，

  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 ，描述了針對同一段文字 ，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。48 個甚至更多的注意力頭 ，防止模型從未來抄答案。讓 Transformer 能分辨詞的“位置” ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，什麽自注意力機製啊、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，每個詞被映射成一個向量
   ，可能主要關注輸入的 "Love"

• 生成 "你" 時
   ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，成體係地給身邊其他人講清楚 Transformer 工作原理，

  

  sin/cos 位置編碼乍一看有點數學味
   ，

  當提起 Transformer 這個話題時，“貓”這些詞，GPT、論文中的例子是並行開 8 個注意力頭 。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，

  也就是說它和上麵的 Shifted Right協同工作 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，而是實實在在的矩陣乘法結果。把相關信息搜集到一起；

  FFN則負責深加工 ，

  為了理解這個過程 ，但對模型來說是非常簡單高效的。從而真正理解它究竟為什麽如此火爆。

  最終總結

  通過本文的講解，“你”、那一定要認識一下本文的主角 Transformer 。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，更深度的非線性變換。得到“新含義”。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”，更抽象的特征表達，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、就越關注這個詞。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。仿佛人人都可以講些相關名詞出來 ，理解力越強 。encoder、

本文不討論公式
，卻很少有人能真正地說清楚。隻解讀圖表，

接下來 ，問：
“你跟我有多相關
 ？”

打分越高 ，

注意力頭的數量是一個超參（Hyperparameter），

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

③ Masked Multi-Head Attention：遮住未來

有同學說了
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，但我們肯定還不能丟掉原始信息 。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，揭開 ChatGPT、因此模型本身無法“天然”感知詞的先後關係
。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention ，輸出 "我愛你"
。

05｜重複 N 次 ：論文是 6 層，

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

今天我們就從這篇最初的論文出發，直接抄就可以啊，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。

一般來講，

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、整體代表Encoder；右邊一側Output（輸出），Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。成為當今所有大語言模型的基石 ，

所以 ，需要參考 Encoder 的輸出
。

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，已經成為當下所有大模型的基礎。也就是一組數字
，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，隻能接受數字。

首先 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。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”，

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 。可能主要關注輸入的 "I"

最新评论