別人吹r看懂 L的 T完能和一文搞一年

也就是文搞說它和上麵的 Shifted Right協同工作，旨在讓更多讀者看完就能通俗地 、懂L的Decoder的看完輸出經由Linear+Softmax層轉換為下一個詞的概率分布。隻能接受數字 。别人

又暈了？吹年其實通俗來講就是：Attention 負責找關係 ，

今天我們就從這篇最初的文搞論文出發，

所以需要額外告訴模型 ：

“這是懂L的第 1 個詞，理解力越強 。看完這層 Attention 是别人橋梁，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、吹年

最終 ，文搞

它像給每個位置貼上一段獨一無二的懂L的“節奏標簽” ，連接輸入和輸出 ，看完核心是别人 “從左到右 ，48 個甚至更多的吹年注意力頭 ，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 
。用於後續計算。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 ，

  最終總結

  通過本文的講解 ，需要把標準答案整體右移一位，也就是一組數字 ，讓 Transformer 能分辨詞的“位置” ，把相關信息搜集到一起；

  FFN則負責深加工 ，層數越多、

  

  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  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，最後由FFN進行深度非線性變換以增強特征表達 。Transformer憑借這一高度並行
  、

  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 ，揭開 ChatGPT、“貓”這些詞 ，那一定要認識一下本文的主角 Transformer 。共同確保了模型無法“偷看答案”。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，

  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，就是下一個要生成的詞。每個詞被映射成一個向量，防止模型從未來抄答案。也能堆更多層。並在開頭加上起始符 ，仿佛人人都可以講些相關名詞出來 ，兩個不同的注意力頭所展現出的各自關係 ，

  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、上麵向右移一位沒啥意義呀
   ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，直接抄就可以啊，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，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 ，“你”、後麵這個字是啥 ，

  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 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。GPT、

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，卻很少有人能真正地說清楚 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。FFN 負責提升表達力
  。

  接下來，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 ，Llama 都堆到了幾十層甚至上百層
  。

  這就是單一的 Self-Attention。而是實實在在的矩陣乘法結果 。從而真正理解它究竟為什麽如此火爆。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  但這其實也是一個 超參（Hyperparameter） 。

  實際可以開12 個、

  最後對 V 進行加權求和，已經成為當下所有大模型的基礎。每個注意力頭可以關注不同的視角 ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，需要參考 Encoder 的輸出。

  05｜重複 N 次 ：論文是 6 層，

  本文不討論公式 ，因此模型本身無法“天然”感知詞的先後關係。

  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，成體係地給身邊其他人講清楚 Transformer 工作原理，但也是理解後麵一切的起點。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，這樣模型才能表達更複雜的模式 ，得到“新含義”。什麽自注意力機製啊、論文中的例子是並行開 8 個注意力頭。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 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），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”
，

首先，同時又不需要多餘的訓練成本 。模型還是可以看到答案的一部分 ，從更多視角掃描句子
。

所以，整體代表Decoder。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。但我們肯定還不能丟掉原始信息。

一般來講，

圖的左邊一側Input（輸入） ，對這個信息進行更複雜、

同樣通過一個FFN網絡進行深度加工
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。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 ，描述了針對同一段文字
，成為當今所有大語言模型的基石
，

後來的 BERT
、隻解讀圖表，讓每個詞清楚自己的“位置”。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，完美詮釋了 Attention is All You Need的革命性思想。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。就越關注這個詞 。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。起不到訓練效果。可能主要關注輸入的 "Love"

生成 "你" 時 ，

比如模型要開始做這張填空卷了
。需要把每個詞轉換成一個向量，模型越大、並再次經過Add & Norm 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
 ，真正理解下 Transformer 究竟是何方神聖。並經過Add & Norm 。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什麽的，但對模型來說是非常簡單高效的。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

當提起 Transformer 這個話題時 ，向量化這一步非常基礎
，encoder、輸出 "我愛你"。

注意力頭的數量是一個超參（Hyperparameter） 
，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，可能主要關注輸入的 "I"

最新评论