別人吹r看懂 L的 T完能和一文搞一年

實際可以開12 個、文搞這樣模型才能表達更複雜的懂L的模式 ，但若深入追問細節，看完可能主要關注輸入的别人 "You"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，

最終，吹年

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
。什麽自注意力機製啊、懂L的共同確保了模型無法“偷看答案”。看完理解力越強。别人

本文不討論公式 ，吹年對這個信息進行更複雜 、文搞但也是懂L的理解後麵一切的起點。Transformer憑借這一高度並行、看完下麵我們就來一步步通俗理解下這張架構圖的别人深層含義
。需要把每個詞轉換成一個向量 ，吹年起不到訓練效果 。但我們肯定還不能丟掉原始信息 。

一般來講，encoder、

又暈了？其實通俗來講就是 ：Attention 負責找關係，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。整體代表Decoder。旨在讓更多讀者看完就能通俗地、卻很少有人能真正地說清楚。

所以需要額外告訴模型 ：

“這是第 1 個詞
，已經成為當下所有大模型的基礎。

最後對 V 進行加權求和，真正理解下 Transformer 究竟是何方神聖。揭開 ChatGPT、防止模型從未來抄答案。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

但這其實也是一個 超參（Hyperparameter） 。也能堆更多層。

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，

當提起 Transformer 這個話題時 ，這層 Attention 是橋梁 ，

也就是說它和上麵的 Shifted Right協同工作
，

最終總結

通過本文的講解，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。需要參考 Encoder 的輸出。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，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。

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，隻能接受數字 。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  ，而是實實在在的矩陣乘法結果
 。需要把標準答案整體右移一位，並再次經過Add & Norm。

接下來
，模型還是可以看到答案的一部分 ，

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，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，完美詮釋了 Attention is All You Need的革命性思想
。就是下一個要生成的詞
。每個詞被映射成一個向量，輸出 "我愛你" 
。

這就是單一的 Self-Attention。向量化這一步非常基礎，讓 Transformer 能分辨詞的“位置”，並在開頭加上起始符 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。模型越大 、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，逐詞生成” 。直接抄就可以啊 ，

今天我們就從這篇最初的論文出發，並經過Add & Norm。上麵向右移一位沒啥意義呀
，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，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”
。

同樣通過一個FFN網絡進行深度加工，就越關注這個詞。GPT、

注意力頭的數量是一個超參（Hyperparameter）  ，其工作嚴格遵循架構圖右側流程 ，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，也就是一組數字，decoder什麽的 ，成為當今所有大語言模型的基石 ，

  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  、

  所以 ，而不僅僅是做簡單的線性組合 。“貓”這些詞 ，

  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
  ，層數越多 、

  首先，

  

  sin/cos 位置編碼乍一看有點數學味
  ，描述了針對同一段文字
  ，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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

③ Masked Multi-Head Attention：遮住未來

有同學說了，那一定要認識一下本文的主角 Transformer 。每個注意力頭可以關注不同的視角 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，DeepSeek 背後的秘密，仿佛人人都可以講些相關名詞出來 ，核心是 “從左到右
，

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 ，用於後續計算 。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 ，“你” 、

為了理解這個過程 ，得到“新含義”。兩個不同的注意力頭所展現出的各自關係 ，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 ，整體代表Encoder；右邊一側Output（輸出），可能主要關注輸入的 "I"

題目: <start> 我 愛

<start> 我 愛

最新评论