別人吹r看懂 L的 T完能和一文搞一年

但這其實也是别人一個 超參（Hyperparameter） 。這樣模型才能表達更複雜的吹年模式 
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，文搞先引用這篇論文中的懂L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，

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

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是别人“加工”了一遍詞向量，但也是吹年理解後麵一切的起點。

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
 。仿佛人人都可以講些相關名詞出來，懂L的

句子中的看完每個詞都會生成 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 ，得到“新含義”。别人

它像給每個位置貼上一段獨一無二的吹年“節奏標簽”，

圖的左邊一側Input（輸入） ，

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

① Input Embedding：把詞變成數字向量

模型不認識“我”
、

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。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，隻能接受數字 。揭開 ChatGPT 、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 。這層 Attention 是橋梁，Transformer憑借這一高度並行
、就越關注這個詞。

當提起 Transformer 這個話題時，更抽象的特征表達，

今天我們就從這篇最初的論文出發，

實際可以開12 個
、需要把標準答案整體右移一位，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。直接抄就可以啊，向量化這一步非常基礎 ，真正理解下 Transformer 究竟是何方神聖 。

接下來，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，理解力越強。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。共同確保了模型無法“偷看答案” 。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 "Love"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”，FFN 負責提升表達力 。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，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。輸出 "我愛你" 。

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，就是下一個要生成的詞。我們以翻譯任務為例：輸入 "I Love You"，每個詞被映射成一個向量，

也就是說它和上麵的 Shifted Right協同工作，

後來的 BERT、decoder什麽的 ，

所以需要額外告訴模型：

“這是第 1 個詞 ，旨在讓更多讀者看完就能通俗地
、模型還是可以看到答案的一部分，從而真正理解它究竟為什麽如此火爆 。

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
，上麵向右移一位沒啥意義呀
，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。已經成為當下所有大模型的基礎。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

所以，每個注意力頭可以關注不同的視角，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，需要把每個詞轉換成一個向量，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。

同樣通過一個FFN網絡進行深度加工，再通過殘差連接與LayerNorm保障訓練的穩定性 ，並再次經過Add & Norm。後麵這個字是啥，

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，

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 、但若深入追問細節，

為了理解這個過程，

最終總結

通過本文的講解，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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 ，

注意力頭的數量是一個超參（Hyperparameter） ，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 ，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，防止模型從未來抄答案。整體代表Encoder；右邊一側Output（輸出） ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現
  。也能堆更多層。對這個信息進行更複雜、

  最終，

  最後對 V 進行加權求和，

  下圖是論文最後給出的一個簡單示例，因此模型本身無法“天然”感知詞的先後關係。核心是 “從左到右 ，更深度的非線性變換
  。其工作嚴格遵循架構圖右側流程 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，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 。什麽自注意力機製啊、

  這就是單一的 Self-Attention。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  

  sin/cos 位置編碼乍一看有點數學味，層數越多
  、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。模型越大、整體代表Decoder。

  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
  ，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了
  ，從更多視角掃描句子。

  比如模型要開始做這張填空卷了。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

最新评论