別人吹r看懂 L的 T完能和一文搞一年

今天我們就從這篇最初的吹年論文出發，

05｜重複 N 次 ：論文是 6 層，再通過殘差連接與LayerNorm保障訓練的懂L的穩定性，理解力越強。看完例如：

• 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 不是别人隻看一個角度
，共同確保了模型無法“偷看答案”
。吹年就越關注這個詞
。文搞完美詮釋了 Attention is 懂L的All You Need的革命性思想。每個注意力頭可以關注不同的看完視角，

注意力頭的别人數量是一個超參（Hyperparameter），並在開頭加上起始符 ，吹年

實際可以開12 個
、

這就是單一的 Self-Attention。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，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
，更抽象的特征表達，連接輸入和輸出 ，decoder什麽的
，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
，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，但也是理解後麵一切的起點。層數越多、

為了理解這個過程，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、卻很少有人能真正地說清楚 。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

下圖是論文最後給出的一個簡單示例，並再次經過Add & Norm
。

也就是說它和上麵的 Shifted Right協同工作，就是下一個要生成的詞。“你”  、模型還是可以看到答案的一部分 ，這層 Attention 是橋梁，兩個不同的注意力頭所展現出的各自關係
，論文中的例子是並行開 8 個注意力頭。更深度的非線性變換 
。得到“新含義”
。直接抄就可以啊，

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，把相關信息搜集到一起；

FFN則負責深加工 ，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 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，但對模型來說是非常簡單高效的。

但這其實也是一個 超參（Hyperparameter） 。

所以，需要把標準答案整體右移一位 ，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。旨在讓更多讀者看完就能通俗地
、也能堆更多層 
。仿佛人人都可以講些相關名詞出來，對這個信息進行更複雜 、整體代表Decoder
。FFN 負責提升表達力 
。

首先 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，並經過Add & Norm。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

後來的 BERT、揭開 ChatGPT 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，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，

  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
  、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，這樣模型才能表達更複雜的模式，DeepSeek 背後的秘密，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”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  所以需要額外告訴模型：

  “這是第 1 個詞 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。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。

  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 ，

  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，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。encoder  、

  

  sin/cos 位置編碼乍一看有點數學味，每個詞被映射成一個向量
  ，同時又不需要多餘的訓練成本。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，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。

  同樣通過一個FFN網絡進行深度加工，可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，Transformer憑借這一高度並行、

  當提起 Transformer 這個話題時
  ，但我們肯定還不能丟掉原始信息 。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。描述了針對同一段文字
  ，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 ，48 個甚至更多的注意力頭，我們以翻譯任務為例 ：輸入 "I Love You"
  ，什麽自注意力機製啊 、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。但若深入追問細節
  ，起不到訓練效果。

  接下來，那一定要認識一下本文的主角 Transformer。

  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。

  

  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，

  本文不討論公式，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，上麵向右移一位沒啥意義呀
  ，向量化這一步非常基礎 ，核心是 “從左到右，防止模型從未來抄答案 。逐詞生成” 。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，真正理解下 Transformer 究竟是何方神聖
  。

  比如模型要開始做這張填空卷了。而不僅僅是做簡單的線性組合 
  。讓每個詞清楚自己的“位置” 。

  一般來講 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。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 
  ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，其工作嚴格遵循架構圖右側流程，問：
  “你跟我有多相關？”

  打分越高，整體代表Encoder；右邊一側Output（輸出），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” ，成為當今所有大語言模型的基石，可能主要關注輸入的 "Love"

最新评论