別人吹r看懂 L的 T完能和一文搞一年

因為我們需要從多個角度來理解自然語言。到Self-Attention與Multi-Head Attention實現多視角的懂L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 不是看完隻看一個角度
，需要把每個詞轉換成一個向量，别人encoder 、吹年並再次經過Add & Norm。文搞

sin/cos 位置編碼乍一看有點數學味
，懂L的

06｜Decoder 如何像人一樣“輸出”內容 ？看完

Decoder是模型的“寫作器”，把相關信息搜集到一起；

FFN則負責深加工，别人隻能接受數字。吹年讓 Decoder 可以“請教 Encoder”：

“你生成的文搞詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"
：

• 生成 "我" 時 ，而是懂L的實實在在的矩陣乘法結果。

  它像給每個位置貼上一段獨一無二的看完“節奏標簽” ，

  它最初來自一篇被稱為“AI 大航海時代起點”的别人論文：

  • Attention is All You Need

  這篇論文首次提出的 Transformer 架構 ，再通過殘差連接與LayerNorm保障訓練的吹年穩定性，Llama 都堆到了幾十層甚至上百層。

  

  注意力頭的數量是一個超參（Hyperparameter），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”，最後由FFN進行深度非線性變換以增強特征表達 。

但這其實也是一個 超參（Hyperparameter）。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 。已經成為當下所有大模型的基礎 。“貓”這些詞，共同確保了模型無法“偷看答案” 。問  ：
“你跟我有多相關？”

打分越高，但若深入追問細節 ，decoder什麽的 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了
 ，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，

最終，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，核心是 “從左到右  ，

為了理解這個過程，

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，同時又不需要多餘的訓練成本。整體代表Decoder 。

本文不討論公式
，這層 Attention 是橋梁 ，

比如模型要開始做這張填空卷了。理解力越強。就是下一個要生成的詞 。用於後續計算
。我們以翻譯任務為例：輸入 "I Love You"，並經過Add & Norm。但對模型來說是非常簡單高效的。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。也就是一組數字，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

也就是說它和上麵的 Shifted Right協同工作，兩個不同的注意力頭所展現出的各自關係，向量化這一步非常基礎 ，

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
 ，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網，揭開 ChatGPT
、得到“新含義”。更抽象的特征表達
，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” ，

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

最終總結

通過本文的講解，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，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 ，什麽自注意力機製啊 、

圖的左邊一側Input（輸入），

接下來，

下圖是論文最後給出的一個簡單示例 ，

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，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。

當提起 Transformer 這個話題時，起不到訓練效果。整體代表Encoder；右邊一側Output（輸出），

① Input Embedding：把詞變成數字向量

模型不認識“我”
、下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

首先，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，完美詮釋了 Attention is All You Need的革命性思想 。每個詞被映射成一個向量，FFN 負責提升表達力。旨在讓更多讀者看完就能通俗地、需要參考 Encoder 的輸出。其工作嚴格遵循架構圖右側流程，DeepSeek 背後的秘密 ，也能堆更多層。48 個甚至更多的注意力頭，模型還是可以看到答案的一部分，防止模型從未來抄答案。成體係地給身邊其他人講清楚 Transformer 工作原理，讓每個詞清楚自己的“位置”
 。直接抄就可以啊，仿佛人人都可以講些相關名詞出來 ，

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 ，“你” 、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。並在開頭加上起始符 ，隻解讀圖表 ，就越關注這個詞。

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、

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 。

又暈了？其實通俗來講就是：Attention 負責找關係 ，Transformer憑借這一高度並行、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 ，

所以需要額外告訴模型 
：

“這是第 1 個詞，可能主要關注輸入的 "Love"

生成 "你" 時 ，

最後對 V 進行加權求和
，讓 Transformer 能分辨詞的“位置”，模型越大
 、可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

同樣通過一個FFN網絡進行深度加工
，

後來的 BERT、這樣模型才能表達更複雜的模式，對這個信息進行更複雜、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 。卻很少有人能真正地說清楚 。上麵向右移一位沒啥意義呀，但也是理解後麵一切的起點。逐詞生成”。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

所以，層數越多、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，描述了針對同一段文字 ，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，後麵這個字是啥，成為當今所有大語言模型的基石，可能主要關注輸入的 "I"

生成 "愛" 時
，連接輸入和輸出，

這就是單一的 Self-Attention 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。但我們肯定還不能丟掉原始信息。那一定要認識一下本文的主角 Transformer 。真正理解下 Transformer 究竟是何方神聖。GPT 、從更多視角掃描句子 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，因此模型本身無法“天然”感知詞的先後關係
。

今天我們就從這篇最初的論文出發 ，

一般來講 ，輸出 "我愛你"。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，

05｜重複 N 次 ：論文是 6 層 ，

實際可以開12 個、需要把標準答案整體右移一位，從而真正理解它究竟為什麽如此火爆。

最新评论