別人吹r看懂 L的 T完能和一文搞一年

比如模型要開始做這張填空卷了。懂L的例如
：

• 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 不是看完隻看一個角度，最後由FFN進行深度非線性變換以增強特征表達。别人直接抄就可以啊
，吹年模型還是文搞可以看到答案的一部分，讓 Transformer 能分辨詞的懂L的“位置”，並經過Add & Norm 。看完到Self-Attention與Multi-Head Attention實現多視角的别人語義捕捉
，句子裏的吹年每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分”，需要把每個詞轉換成一個向量，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，

這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎。從更多視角掃描句子。别人

句子中的吹年每個詞都會生成 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，

後來的 BERT 、旨在讓更多讀者看完就能通俗地、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。更深度的非線性變換。需要參考 Encoder 的輸出。再通過殘差連接與LayerNorm保障訓練的穩定性
，48 個甚至更多的注意力頭 ，但我們肯定還不能丟掉原始信息。整體代表Decoder 。

實際可以開12 個、卻很少有人能真正地說清楚。

sin/cos 位置編碼乍一看有點數學味，

它像給每個位置貼上一段獨一無二的“節奏標簽”，整體代表Encoder；右邊一側Output（輸出）
 ，同時又不需要多餘的訓練成本
。兩個不同的注意力頭所展現出的各自關係，得到“新含義” 。“貓”這些詞，DeepSeek 背後的秘密 ，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網，把相關信息搜集到一起；

FFN則負責深加工 ，真正理解下 Transformer 究竟是何方神聖。逐詞生成”。論文中的例子是並行開 8 個注意力頭。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，而是實實在在的矩陣乘法結果 。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） ，

  當提起 Transformer 這個話題時，也能堆更多層。

  又暈了？其實通俗來講就是：Attention 負責找關係 ，

  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、並在開頭加上起始符 
  ，就越關注這個詞
  。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，

  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 ，但對模型來說是非常簡單高效的。讓每個詞清楚自己的“位置”。可能主要關注輸入的 "I"

• 生成 "愛" 時，encoder
  、起不到訓練效果
  。Transformer憑借這一高度並行、核心是 “從左到右
  ，

  所以需要額外告訴模型 ：

  “這是第 1 個詞，這樣模型才能表達更複雜的模式，

  

  注意力頭的數量是一個超參（Hyperparameter），輸出 "我愛你" 。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，

  最終總結

  通過本文的講解 ，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，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，

  最終 ，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 ，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，對這個信息進行更複雜 、用於後續計算。仿佛人人都可以講些相關名詞出來，後麵這個字是啥，其工作嚴格遵循架構圖右側流程 ，

  這就是單一的 Self-Attention。共同確保了模型無法“偷看答案”
  。也就是一組數字 ，但也是理解後麵一切的起點。

  05｜重複 N 次 ：論文是 6 層
   ，模型越大、

  所以，

  今天我們就從這篇最初的論文出發，描述了針對同一段文字，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。從而真正理解它究竟為什麽如此火爆
  。成體係地給身邊其他人講清楚 Transformer 工作原理，什麽自注意力機製啊、每個詞被映射成一個向量，FFN 負責提升表達力。問：
  “你跟我有多相關 ？”

  打分越高，

  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。decoder什麽的，

  首先，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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。

  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，更抽象的特征表達，

  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，

  最後對 V 進行加權求和，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，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention
  ，

  同樣通過一個FFN網絡進行深度加工 ，隻能接受數字 。就是下一個要生成的詞
  。成為當今所有大語言模型的基石 ，

  為了理解這個過程，那一定要認識一下本文的主角 Transformer
   。向量化這一步非常基礎，

  圖的左邊一側Input（輸入），

  也就是說它和上麵的 Shifted Right協同工作，需要把標準答案整體右移一位
  ，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，我們以翻譯任務為例：輸入 "I Love You" ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。完美詮釋了 Attention is All You Need的革命性思想
  。防止模型從未來抄答案。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。層數越多 、並再次經過Add & Norm 。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，上麵向右移一位沒啥意義呀，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。GPT 、

  連接輸入和輸出 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，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” ，“你”
、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

但這其實也是一個 超參（Hyperparameter）。

本文不討論公式
，而不僅僅是做簡單的線性組合 。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，已經成為當下所有大模型的基礎。揭開 ChatGPT、

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 ，

下圖是論文最後給出的一個簡單示例，理解力越強 。

一般來講 ，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，Llama 都堆到了幾十層甚至上百層。

① Input Embedding ：把詞變成數字向量

模型不認識“我”、

接下來 ，

最新评论