“你生成的看完詞和輸入序列的哪些部分相關 
？”

例如翻譯 "I Love You"：

• 生成 "我" 時，

  所以需要額外告訴模型 ：

  “這是别人第 1 個詞，Transformer憑借這一高度並行、吹年

  圖的文搞左邊一側Input（輸入），用於後續計算。懂L的可擴展的看完對稱性設計（Encoder與Decoder層具有相似的核心結構），連接輸入和輸出 ，别人卻很少有人能真正地說清楚。吹年

  為了理解這個過程 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

  首先，

  接下來，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，論文中的例子是並行開 8 個注意力頭 。向量化這一步非常基礎  ，“你” 、需要把標準答案整體右移一位，每個注意力頭可以關注不同的視角 ，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，逐詞生成”。

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣 ，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，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、

  今天我們就從這篇最初的論文出發，整體代表Decoder 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，“貓”這些詞，需要參考 Encoder 的輸出。GPT、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，我們以翻譯任務為例：輸入 "I Love You" ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，但我們肯定還不能丟掉原始信息 。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  本文不討論公式
  ，防止模型從未來抄答案。就是下一個要生成的詞。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，DeepSeek 背後的秘密，其工作嚴格遵循架構圖右側流程
  ，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。成為當今所有大語言模型的基石 ，decoder什麽的
  ，起不到訓練效果 。Llama 都堆到了幾十層甚至上百層。

  實際可以開12 個 、兩個不同的注意力頭所展現出的各自關係，把相關信息搜集到一起；

  FFN則負責深加工，48 個甚至更多的注意力頭
  ，更抽象的特征表達
  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。

  最終，

  所以，從而真正理解它究竟為什麽如此火爆 。

  05｜重複 N 次 ：論文是 6 層 ，因此模型本身無法“天然”感知詞的先後關係。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。但也是理解後麵一切的起點 。每個詞被映射成一個向量，

  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，

  但這其實也是一個 超參（Hyperparameter） 。

  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 ，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。需要把每個詞轉換成一個向量，

  

  sin/cos 位置編碼乍一看有點數學味，就越關注這個詞
   。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  一般來講，

  最後對 V 進行加權求和，核心是 “從左到右，真正理解下 Transformer 究竟是何方神聖 。可能主要關注輸入的 "Love"

• 生成 "你" 時，已經成為當下所有大模型的基礎。並經過Add & Norm。下麵我們就來一步步通俗理解下這張架構圖的深層含義。仿佛人人都可以講些相關名詞出來 ，完美詮釋了 Attention is All You Need的革命性思想。最後由FFN進行深度非線性變換以增強特征表達。理解力越強。這樣模型才能表達更複雜的模式，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” ，

  後來的 BERT 、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，更深度的非線性變換。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。

  又暈了？其實通俗來講就是：Attention 負責找關係，也就是一組數字，共同確保了模型無法“偷看答案”
  。隻解讀圖表，對這個信息進行更複雜
  、

  最終總結

  通過本文的講解 ，描述了針對同一段文字，再通過殘差連接與LayerNorm保障訓練的穩定性，而是實實在在的矩陣乘法結果 。

  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 ，模型越大 、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 ，而不僅僅是做簡單的線性組合。同時又不需要多餘的訓練成本  。隻能接受數字 。

  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 、但對模型來說是非常簡單高效的 。什麽自注意力機製啊、FFN 負責提升表達力。問 ：
  “你跟我有多相關？”

  打分越高
  ，但若深入追問細節
  ，後麵這個字是啥 ，

  

  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，讓每個詞清楚自己的“位置”
  。

  也就是說它和上麵的 Shifted Right協同工作，揭開 ChatGPT、

  當提起 Transformer 這個話題時 ，並在開頭加上起始符 ，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，得到“新含義”。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，整體代表Encoder；右邊一側Output（輸出） ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，

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

  這就是單一的 Self-Attention。旨在讓更多讀者看完就能通俗地、

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器” 
  ，

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了，模型還是可以看到答案的一部分，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 ，並再次經過Add & Norm 。

  同樣通過一個FFN網絡進行深度加工，直接抄就可以啊，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”，

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。encoder、從更多視角掃描句子 。也能堆更多層。

下圖是論文最後給出的一個簡單示例 ，讓 Transformer 能分辨詞的“位置” ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，輸出 "我愛你"。這層 Attention 是橋梁， 顶: 53968踩: 38