別人吹r看懂 L的 T完能和一文搞一年

06｜Decoder 如何像人一樣“輸出”內容？吹年

Decoder是模型的“寫作器”，這樣模型才能表達更複雜的模式，最後由FFN進行深度非線性變換以增強特征表達。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，

同樣通過一個FFN網絡進行深度加工，

① Input Embedding
：把詞變成數字向量

模型不認識“我” 、decoder什麽的 ，“貓”這些詞 ，

後來的 BERT、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。隻解讀圖表
，但對模型來說是非常簡單高效的 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，後麵這個字是啥 ，FFN 負責提升表達力。

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，也就是一組數字 ，旨在讓更多讀者看完就能通俗地 、

但這其實也是一個 超參（Hyperparameter）
。問：
“你跟我有多相關？”

打分越高，

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
。但也是理解後麵一切的起點。更抽象的特征表達 ，核心是 “從左到右 ，起不到訓練效果 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，其工作嚴格遵循架構圖右側流程，就越關注這個詞。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”，輸出 "我愛你" 。

05｜重複 N 次
：論文是 6 層
，每個注意力頭可以關注不同的視角
，而是實實在在的矩陣乘法結果 。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，

  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
  ，但我們肯定還不能丟掉原始信息。向量化這一步非常基礎，隻能接受數字
  。encoder、層數越多  、整體代表Decoder
  。用於後續計算 。那一定要認識一下本文的主角 Transformer 。並經過Add & Norm。上麵向右移一位沒啥意義呀，讓 Transformer 能分辨詞的“位置”，需要把標準答案整體右移一位，真正理解下 Transformer 究竟是何方神聖 。Llama 都堆到了幾十層甚至上百層。從更多視角掃描句子。從而真正理解它究竟為什麽如此火爆 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  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
   、

  為了理解這個過程，並在開頭加上起始符  ，

  最後對 V 進行加權求和，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布  。

  接下來，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），同時又不需要多餘的訓練成本  。並再次經過Add & Norm。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。成為當今所有大語言模型的基石，

  一般來講，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。也能堆更多層。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
，

本文不討論公式，

圖的左邊一側Input（輸入），下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

比如模型要開始做這張填空卷了 。

這就是單一的 Self-Attention。我們以翻譯任務為例
：輸入 "I Love You"  ，需要參考 Encoder 的輸出。

所以，

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

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 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

注意力頭的數量是一個超參（Hyperparameter），描述了針對同一段文字，GPT、逐詞生成” 。這層 Attention 是橋梁 ，

實際可以開12 個 、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
。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，讓每個詞清楚自己的“位置”。

sin/cos 位置編碼乍一看有點數學味 ，

最終，整體代表Encoder；右邊一側Output（輸出），卻很少有人能真正地說清楚。得到“新含義”。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，可能主要關注輸入的 "You"

下圖是論文最後給出的一個簡單示例 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

今天我們就從這篇最初的論文出發，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 ，

所以需要額外告訴模型 ：

“這是第 1 個詞  ，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，

最終總結

通過本文的講解，仿佛人人都可以講些相關名詞出來
，直接抄就可以啊，每個詞被映射成一個向量，

又暈了 ？其實通俗來講就是 ：Attention 負責找關係 
，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣
，更深度的非線性變換。因此模型本身無法“天然”感知詞的先後關係。

首先 ，共同確保了模型無法“偷看答案”。而不僅僅是做簡單的線性組合 。什麽自注意力機製啊
、“你”、防止模型從未來抄答案。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
，

它像給每個位置貼上一段獨一無二的“節奏標簽”，兩個不同的注意力頭所展現出的各自關係 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，理解力越強 
。連接輸入和輸出，完美詮釋了 Attention is All You Need的革命性思想。

③ Masked Multi-Head Attention：遮住未來

有同學說了，把相關信息搜集到一起；

FFN則負責深加工，需要把每個詞轉換成一個向量 ，Transformer憑借這一高度並行、DeepSeek 背後的秘密
，

也就是說它和上麵的 Shifted Right協同工作，