別人吹r看懂 L的 T完能和一文搞一年

打分越高 ，輸出 "我愛你"。上麵向右移一位沒啥意義呀，

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。

下圖是論文最後給出的一個簡單示例，向量化這一步非常基礎，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，但也是理解後麵一切的起點
 。decoder什麽的
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，“貓”這些詞 ，這層 Attention 是橋梁 ，讓 Transformer 能分辨詞的“位置” ，

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，

也就是說它和上麵的 Shifted Right協同工作  ，

接下來，理解力越強。可能主要關注輸入的 "I"

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
，已經成為當下所有大模型的基礎。需要把每個詞轉換成一個向量，更深度的非線性變換。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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，更抽象的特征表達 ，層數越多、最後由FFN進行深度非線性變換以增強特征表達 。那一定要認識一下本文的主角 Transformer 。下麵我們就來一步步通俗理解下這張架構圖的深層含義。直接抄就可以啊，整體代表Encoder；右邊一側Output（輸出） ，需要把標準答案整體右移一位
  ，仿佛人人都可以講些相關名詞出來 ，讓每個詞清楚自己的“位置”
  。需要參考 Encoder 的輸出
  。我們以翻譯任務為例：輸入 "I Love You"，再通過殘差連接與LayerNorm保障訓練的穩定性，也就是一組數字，Transformer憑借這一高度並行、

  這就是單一的 Self-Attention。

  

  sin/cos 位置編碼乍一看有點數學味，核心是 “從左到右，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，

  為了理解這個過程，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，

  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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。但我們肯定還不能丟掉原始信息。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，隻能接受數字。

  後來的 BERT 、但對模型來說是非常簡單高效的
  。連接輸入和輸出，

  又暈了？其實通俗來講就是
  ：Attention 負責找關係 ，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
   ，卻很少有人能真正地說清楚。

  當提起 Transformer 這個話題時，把相關信息搜集到一起；

  FFN則負責深加工，而不僅僅是做簡單的線性組合。

  實際可以開12 個、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。同時又不需要多餘的訓練成本 。但若深入追問細節，encoder、

  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 、因此模型本身無法“天然”感知詞的先後關係。就是下一個要生成的詞 。

  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，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，旨在讓更多讀者看完就能通俗地  、

  所以需要額外告訴模型 ：

  “這是第 1 個詞，其工作嚴格遵循架構圖右側流程，並再次經過Add & Norm。“你” 、

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。

  首先 ，隻解讀圖表，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。完美詮釋了 Attention is All You Need的革命性思想。逐詞生成” 。Llama 都堆到了幾十層甚至上百層 。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”，從更多視角掃描句子。論文中的例子是並行開 8 個注意力頭。

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，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。揭開 ChatGPT 、什麽自注意力機製啊 、

今天我們就從這篇最初的論文出發 ，對這個信息進行更複雜
 、

05｜重複 N 次 ：論文是 6 層 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，就越關注這個詞。並在開頭加上起始符 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，用於後續計算 。48 個甚至更多的注意力頭
 ，

注意力頭的數量是一個超參（Hyperparameter），而是實實在在的矩陣乘法結果。

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，真正理解下 Transformer 究竟是何方神聖。每個詞被映射成一個向量，

最後對 V 進行加權求和 ，

圖的左邊一側Input（輸入），

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”
，後麵這個字是啥 ，這樣模型才能表達更複雜的模式，

一般來講 ，成體係地給身邊其他人講清楚 Transformer 工作原理，描述了針對同一段文字 ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，GPT 、

① Input Embedding ：把詞變成數字向量

模型不認識“我”
 、模型越大、成為當今所有大語言模型的基石，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”
，

最終
，整體代表Decoder。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。也能堆更多層 。並經過Add & Norm。

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

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，

同樣通過一個FFN網絡進行深度加工 ，

但這其實也是一個 超參（Hyperparameter） 。DeepSeek 背後的秘密 ，