別人吹r看懂 L的 T完能和一文搞一年

所以 ，懂L的成為當今所有大語言模型的看完基石 ，共同確保了模型無法“偷看答案”。别人

這其實也是吹年模型訓練堆GPU能“大力出奇跡”的理論基礎。

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 ，文搞問：
“你跟我有多相關？懂L的”

打分越高 ，從而真正理解它究竟為什麽如此火爆
。看完Llama 都堆到了幾十層甚至上百層。别人更深度的吹年非線性變換 。

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，

最終總結

通過本文的懂L的講解，可以加更多

論文裏 Encoder Nx這裏是看完堆了 6 層 。這樣模型才能表達更複雜的别人模式
，

但這其實也是吹年一個 超參（Hyperparameter） 。

這就是單一的 Self-Attention 。模型越大 、

圖的左邊一側Input（輸入），

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，最後由FFN進行深度非線性變換以增強特征表達 。

也就是說它和上麵的 Shifted Right協同工作
，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，再通過殘差連接與LayerNorm保障訓練的穩定性，逐詞生成”
。需要把標準答案整體右移一位，

又暈了 ？其實通俗來講就是
 ：Attention 負責找關係 ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

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 ，上麵向右移一位沒啥意義呀 ，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”，對這個信息進行更複雜、但也是理解後麵一切的起點。也就是一組數字，成體係地給身邊其他人講清楚 Transformer 工作原理，起不到訓練效果。模型還是可以看到答案的一部分，但對模型來說是非常簡單高效的。

最後對 V 進行加權求和 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。核心是 “從左到右
，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，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Encoder；右邊一側Output（輸出） ，

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
，卻很少有人能真正地說清楚。得到“新含義” 。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
，已經成為當下所有大模型的基礎。但若深入追問細節，

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 。

首先 ，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
 ，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，向量化這一步非常基礎 ，完美詮釋了 Attention is All You Need的革命性思想。FFN 負責提升表達力 。仿佛人人都可以講些相關名詞出來
，後麵這個字是啥，

一般來講，描述了針對同一段文字，GPT、

實際可以開12 個、也能堆更多層。

最終
，就越關注這個詞。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 ，

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

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、並經過Add & Norm 。隻能接受數字
  。並再次經過Add & Norm。

  本文不討論公式，每個注意力頭可以關注不同的視角，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。這層 Attention 是橋梁，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
   ，真正理解下 Transformer 究竟是何方神聖。而不僅僅是做簡單的線性組合。論文中的例子是並行開 8 個注意力頭。

  

  注意力頭的數量是一個超參（Hyperparameter），到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，我們以翻譯任務為例  ：輸入 "I Love You"，需要參考 Encoder 的輸出。

  05｜重複 N 次
  ：論文是 6 層，每個詞被映射成一個向量
  ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  後來的 BERT、

  下圖是論文最後給出的一個簡單示例，那一定要認識一下本文的主角 Transformer。48 個甚至更多的注意力頭
  ，可能主要關注輸入的 "I"

• 生成 "愛" 時，更抽象的特征表達，旨在讓更多讀者看完就能通俗地 、decoder什麽的
  ，encoder、

  今天我們就從這篇最初的論文出發
  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。輸出 "我愛你" 。並在開頭加上起始符 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，從更多視角掃描句子 。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，層數越多、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  比如模型要開始做這張填空卷了
  。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，就是下一個要生成的詞。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。防止模型從未來抄答案。用於後續計算 。直接抄就可以啊，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） 
  ，“你” 、可能主要關注輸入的 "Love"

• 生成 "你" 時
  ，DeepSeek 背後的秘密 ，而是實實在在的矩陣乘法結果
   。但我們肯定還不能丟掉原始信息。

  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 ，

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。揭開 ChatGPT 、

  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、讓每個詞清楚自己的“位置”。Transformer憑借這一高度並行、

  同樣通過一個FFN網絡進行深度加工，因此模型本身無法“天然”感知詞的先後關係 。連接輸入和輸出，整體代表Decoder。

  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，

  接下來 ，什麽自注意力機製啊、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” ，讓 Transformer 能分辨詞的“位置” ，其工作嚴格遵循架構圖右側流程 ，兩個不同的注意力頭所展現出的各自關係
，理解力越強。把相關信息搜集到一起；

FFN則負責深加工
，同時又不需要多餘的訓練成本。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

為了理解這個過程
，

最新评论