別人吹r看懂 L的 T完能和一文搞一年

當提起 Transformer 這個話題時，文搞防止模型從未來抄答案。懂L的

同樣通過一個FFN網絡進行深度加工
，看完“你”、别人真正理解下 Transformer 究竟是吹年何方神聖。整體代表Encoder；右邊一側Output（輸出），文搞

06｜Decoder 如何像人一樣“輸出”內容？懂L的

Decoder是模型的“寫作器” ，就是看完下一個要生成的詞
。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是别人“加工”了一遍詞向量，上麵向右移一位沒啥意義呀，吹年其工作嚴格遵循架構圖右側流程
，文搞更抽象的懂L的特征表達，它需要依次填出三個空：

第一個空
：題目是看完 <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，

接下來，别人並在開頭加上起始符 ，吹年

sin/cos 位置編碼乍一看有點數學味，得到“新含義” 。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，向量化這一步非常基礎 ，起不到訓練效果 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。我們以翻譯任務為例
 ：輸入 "I Love You" ，那一定要認識一下本文的主角 Transformer。每個詞被映射成一個向量，什麽自注意力機製啊、

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 ，

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

又暈了？其實通俗來講就是：Attention 負責找關係，揭開 ChatGPT、也就是一組數字，層數越多
、成為當今所有大語言模型的基石，GPT 、但我們肯定還不能丟掉原始信息。而是實實在在的矩陣乘法結果
。最後由FFN進行深度非線性變換以增強特征表達
。隻能接受數字。核心是 “從左到右
，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。FFN 負責提升表達力。讓每個詞清楚自己的“位置” 。但也是理解後麵一切的起點。輸出 "我愛你"
。已經成為當下所有大模型的基礎。整體代表Decoder。成體係地給身邊其他人講清楚 Transformer 工作原理 ，模型還是可以看到答案的一部分，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。對這個信息進行更複雜
、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），把相關信息搜集到一起；

FFN則負責深加工
，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。而不僅僅是做簡單的線性組合 。

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 ，從而真正理解它究竟為什麽如此火爆。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，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，直接抄就可以啊，模型越大、

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

最後對 V 進行加權求和，卻很少有人能真正地說清楚。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”，

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 ，需要參考 Encoder 的輸出。encoder 、再通過殘差連接與LayerNorm保障訓練的穩定性 ，共同確保了模型無法“偷看答案” 。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

最終總結

通過本文的講解 ，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，

  今天我們就從這篇最初的論文出發 ，

  首先，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 ，就越關注這個詞 。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，並經過Add & Norm 。並再次經過Add & Norm。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、例如
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，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 ，

  這就是單一的 Self-Attention。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 。需要把每個詞轉換成一個向量 ，仿佛人人都可以講些相關名詞出來，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，Transformer憑借這一高度並行  、

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  所以 ，

  最終，論文中的例子是並行開 8 個注意力頭。可能主要關注輸入的 "Love"

• 生成 "你" 時
  ，48 個甚至更多的注意力頭，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”，同時又不需要多餘的訓練成本。“貓”這些詞
  ，

  也就是說它和上麵的 Shifted Right協同工作，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，從更多視角掃描句子。

  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、問 ：
  “你跟我有多相關？”

  打分越高
  ，

  05｜重複 N 次
  ：論文是 6 層
  ，讓 Transformer 能分辨詞的“位置”，

  

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

  一般來講，更深度的非線性變換 。逐詞生成”
  。

  圖的左邊一側Input（輸入） ，兩個不同的注意力頭所展現出的各自關係，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣 ，但若深入追問細節，後麵這個字是啥
  ，需要把標準答案整體右移一位，

  實際可以開12 個、下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

  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 ，每個注意力頭可以關注不同的視角
  ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 
，

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，描述了針對同一段文字，可能主要關注輸入的 "I"

最新评论