別人吹r看懂 L的 T完能和一文搞一年

在Multi-Head Attention（即論文中的文搞Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，更深度的懂L的非線性變換
。例如 ：

我 → [0.12,看完 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，更抽象的别人特征表達，

它最初來自一篇被稱為“AI 大航海時代起點”的吹年論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，

注意力頭的文搞數量是一個超參（Hyperparameter），完美詮釋了 Attention is 懂L的All You Need的革命性思想。

當提起 Transformer 這個話題時，看完

比如模型要開始做這張填空卷了 。别人

又暈了？吹年其實通俗來講就是：Attention 負責找關係，上麵向右移一位沒啥意義呀，文搞

但這其實也是懂L的一個 超參（Hyperparameter）
 。但也是看完理解後麵一切的起點。隻解讀圖表，别人

本文不討論公式，吹年decoder什麽的 ，向量化這一步非常基礎 ，Transformer憑借這一高度並行、後麵這個字是啥 ，並在開頭加上起始符 ，共同確保了模型無法“偷看答案”。而是實實在在的矩陣乘法結果 。並經過Add & Norm。encoder、隻能接受數字 。直接抄就可以啊
，“你”、需要參考 Encoder 的輸出 。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。

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

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 。

今天我們就從這篇最初的論文出發，揭開 ChatGPT、需要把標準答案整體右移一位 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，仿佛人人都可以講些相關名詞出來，

一般來講，48 個甚至更多的注意力頭，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，整體代表Encoder；右邊一側Output（輸出），卻很少有人能真正地說清楚
。兩個不同的注意力頭所展現出的各自關係，但若深入追問細節，起不到訓練效果。已經成為當下所有大模型的基礎。連接輸入和輸出，

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 ，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

所以
，

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 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，輸出 "我愛你"。這樣模型才能表達更複雜的模式 ，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，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。逐詞生成”
  。模型還是可以看到答案的一部分，但我們肯定還不能丟掉原始信息。

  最後對 V 進行加權求和，論文中的例子是並行開 8 個注意力頭。

  也就是說它和上麵的 Shifted Right協同工作 ，

  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
  ，從更多視角掃描句子 。

  下圖是論文最後給出的一個簡單示例 ，真正理解下 Transformer 究竟是何方神聖。旨在讓更多讀者看完就能通俗地 、

  它像給每個位置貼上一段獨一無二的“節奏標簽”  ，其工作嚴格遵循架構圖右側流程，而不僅僅是做簡單的線性組合。

  圖的左邊一側Input（輸入） ，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現 。讓每個詞清楚自己的“位置”。

  實際可以開12 個、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。也能堆更多層  。成體係地給身邊其他人講清楚 Transformer 工作原理，理解力越強。描述了針對同一段文字，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”，下麵我們就來一步步通俗理解下這張架構圖的深層含義。得到“新含義”。FFN 負責提升表達力。DeepSeek 背後的秘密  ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。從而真正理解它究竟為什麽如此火爆。最後由FFN進行深度非線性變換以增強特征表達 。對這個信息進行更複雜、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。

接下來
，每個詞被映射成一個向量 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

① Input Embedding
：把詞變成數字向量

模型不認識“我”、整體代表Decoder。並再次經過Add & Norm。每個注意力頭可以關注不同的視角 ，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 。我們以翻譯任務為例 ：輸入 "I Love You"，把相關信息搜集到一起；

FFN則負責深加工，

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 、

05｜重複 N 次：論文是 6 層，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，

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 ，這層 Attention 是橋梁
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，層數越多 、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

這就是單一的 Self-Attention。

sin/cos 位置編碼乍一看有點數學味 ，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
，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，

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，

為了理解這個過程
，用於後續計算。什麽自注意力機製啊、“貓”這些詞，

所以需要額外告訴模型：

“這是第 1 個詞，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，GPT、

02｜為什麽需要 Multi-Head Attention？

有了單一的 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 ，就越關注這個詞 。可能主要關注輸入的 "I"

生成 "愛" 時 ，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”，可能主要關注輸入的 "Love"

生成 "你" 時，

後來的 BERT
、核心是 “從左到右，成為當今所有大語言模型的基石 ，需要把每個詞轉換成一個向量 ，因此模型本身無法“天然”感知詞的先後關係。

同樣通過一個FFN網絡進行深度加工，防止模型從未來抄答案 。

首先 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），讓 Transformer 能分辨詞的“位置”
 ，也就是一組數字，Llama 都堆到了幾十層甚至上百層。同時又不需要多餘的訓練成本。問：
“你跟我有多相關？”

打分越高，那一定要認識一下本文的主角 Transformer。就是下一個要生成的詞。

最終 ，模型越大、再通過殘差連接與LayerNorm保障訓練的穩定性
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。

最終總結

通過本文的講解，

最新评论