別人吹r看懂 L的 T完能和一文搞一年

同樣通過一個FFN網絡進行深度加工，看完這是别人第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，用於後續計算。吹年encoder
、文搞例如
：

• 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 不是懂L的隻看一個角度，

如果你想對當下 AI LLM(大語言模型) 的看完工作原理有所了解，

今天我們就從這篇最初的别人論文出發 ，可擴展的吹年對稱性設計（Encoder與Decoder層具有相似的核心結構），

當提起 Transformer 這個話題時  ，文搞讓 Transformer 能分辨詞的懂L的“位置”，得到“新含義”。看完FFN 負責提升表達力。别人

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，吹年對這個信息進行更複雜、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，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，已經成為當下所有大模型的基礎 。

  

  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 。直接抄就可以啊 ，並在開頭加上起始符 ，這層 Attention 是橋梁 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，向量化這一步非常基礎 
  ，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  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，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段 ，

  最終 ，

  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、真正理解下 Transformer 究竟是何方神聖。卻很少有人能真正地說清楚 。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 。

  所以需要額外告訴模型  ：

  “這是第 1 個詞，層數越多、就越關注這個詞
  。隻解讀圖表，

  實際可以開12 個、

  又暈了？其實通俗來講就是 ：Attention 負責找關係 ，“貓”這些詞，

  這就是單一的 Self-Attention。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，仿佛人人都可以講些相關名詞出來，核心是 “從左到右，需要把標準答案整體右移一位，

  最終總結

  通過本文的講解，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。上麵向右移一位沒啥意義呀 ，那一定要認識一下本文的主角 Transformer 。模型越大、也就是一組數字，共同確保了模型無法“偷看答案”。揭開 ChatGPT、論文中的例子是並行開 8 個注意力頭。

  

  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，

  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。但我們肯定還不能丟掉原始信息 。同時又不需要多餘的訓練成本。讓每個詞清楚自己的“位置”。

  圖的左邊一側Input（輸入） ，

  為了理解這個過程，

  比如模型要開始做這張填空卷了 。但對模型來說是非常簡單高效的。48 個甚至更多的注意力頭，從而真正理解它究竟為什麽如此火爆。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，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。起不到訓練效果。就是下一個要生成的詞 。而是實實在在的矩陣乘法結果
。

所以 ，

sin/cos 位置編碼乍一看有點數學味，但也是理解後麵一切的起點。整體代表Encoder；右邊一側Output（輸出），

接下來 ，輸出 "我愛你"。隻能接受數字。連接輸入和輸出，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

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  ，我們以翻譯任務為例：輸入 "I Love You"，因此模型本身無法“天然”感知詞的先後關係。模型還是可以看到答案的一部分 ，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、decoder什麽的，

下圖是論文最後給出的一個簡單示例，其工作嚴格遵循架構圖右側流程，

也就是說它和上麵的 Shifted Right協同工作，需要把每個詞轉換成一個向量，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，旨在讓更多讀者看完就能通俗地、更深度的非線性變換。把相關信息搜集到一起；

FFN則負責深加工
，需要參考 Encoder 的輸出。

首先，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 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。

一般來講 ，問：
“你跟我有多相關？”

打分越高，並再次經過Add & Norm。兩個不同的注意力頭所展現出的各自關係，

最後對 V 進行加權求和，理解力越強
。再通過殘差連接與LayerNorm保障訓練的穩定性，什麽自注意力機製啊、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，

但這其實也是一個 超參（Hyperparameter）。逐詞生成”
。GPT、

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 。並經過Add & Norm。

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，而不僅僅是做簡單的線性組合。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” ，Transformer憑借這一高度並行、Llama 都堆到了幾十層甚至上百層。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，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，這樣模型才能表達更複雜的模式，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，整體代表Decoder。成體係地給身邊其他人講清楚 Transformer 工作原理 ，但若深入追問細節，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，

後來的 BERT
、“你”、描述了針對同一段文字，也能堆更多層。

本文不討論公式 ，成為當今所有大語言模型的基石，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。防止模型從未來抄答案。DeepSeek 背後的秘密，可以看到確實存在明顯區別 
：

這就是 Multi-Head Attention 的直觀體現。從更多視角掃描句子  。完美詮釋了 Attention is All You Need的革命性思想。可能主要關注輸入的 "I"

最新评论