別人吹r看懂 L的 T完能和一文搞一年

這就是懂L的 Multi-Head Attention 的直觀體現。先引用這篇論文中的看完關於 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 ，

下圖是别人論文最後給出的一個簡單示例 ，

① Input Embedding
：把詞變成數字向量

模型不認識“我”、吹年也就是文搞一組數字，但也是懂L的理解後麵一切的起點。

05｜重複 N 次：論文是 6 層
，每個注意力頭可以關注不同的别人視角
，可以加更多

論文裏 Encoder Nx這裏是吹年堆了 6 層。

實際可以開12 個 、文搞整體代表Decoder 。懂L的

本文不討論公式，看完

接下來，别人48 個甚至更多的吹年注意力頭
，最後由FFN進行深度非線性變換以增強特征表達。

最後對 V 進行加權求和，卻很少有人能真正地說清楚。理解力越強。需要把標準答案整體右移一位 ，其工作嚴格遵循架構圖右側流程，但我們肯定還不能丟掉原始信息。什麽自注意力機製啊、

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

一般來講 ，上麵向右移一位沒啥意義呀 ，並再次經過Add & Norm。

所以，論文中的例子是並行開 8 個注意力頭。再通過殘差連接與LayerNorm保障訓練的穩定性 ，就越關注這個詞 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，完美詮釋了 Attention is All You Need的革命性思想。

這就是單一的 Self-Attention。從更多視角掃描句子
。真正理解下 Transformer 究竟是何方神聖 。

為了理解這個過程
，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，但對模型來說是非常簡單高效的。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，隻解讀圖表，後麵這個字是啥，

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，也能堆更多層。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”，連接輸入和輸出 ，輸出 "我愛你"。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 ，

注意力頭的數量是一個超參（Hyperparameter）
，Llama 都堆到了幾十層甚至上百層 。整體代表Encoder；右邊一側Output（輸出），

它像給每個位置貼上一段獨一無二的“節奏標簽”  ，

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，FFN 負責提升表達力。模型還是可以看到答案的一部分，

首先 ，

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、

所以需要額外告訴模型：

“這是第 1 個詞，

後來的 BERT 、

當提起 Transformer 這個話題時 ，用於後續計算。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  ，那一定要認識一下本文的主角 Transformer。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

同樣通過一個FFN網絡進行深度加工，問：
“你跟我有多相關
？”

打分越高，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

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
。可能主要關注輸入的 "Love"

生成 "你" 時，

圖的左邊一側Input（輸入） ，從而真正理解它究竟為什麽如此火爆 。我們以翻譯任務為例：輸入 "I Love You"，但若深入追問細節
，對這個信息進行更複雜、旨在讓更多讀者看完就能通俗地
、

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。向量化這一步非常基礎 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

今天我們就從這篇最初的論文出發 ，成為當今所有大語言模型的基石，起不到訓練效果。

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 ，已經成為當下所有大模型的基礎。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，Transformer憑借這一高度並行、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 ，兩個不同的注意力頭所展現出的各自關係，層數越多 、讓每個詞清楚自己的“位置” 。並在開頭加上起始符 ，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 
  ，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。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，需要參考 Encoder 的輸出。防止模型從未來抄答案。模型越大、描述了針對同一段文字，而不僅僅是做簡單的線性組合。

  但這其實也是一個 超參（Hyperparameter）。同時又不需要多餘的訓練成本。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，仿佛人人都可以講些相關名詞出來，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），更抽象的特征表達
  ，因此模型本身無法“天然”感知詞的先後關係。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  也就是說它和上麵的 Shifted Right協同工作，核心是 “從左到右
  ，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”，並經過Add & Norm
  。而是實實在在的矩陣乘法結果 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，

sin/cos 位置編碼乍一看有點數學味，decoder什麽的，

最終  ，更深度的非線性變換。DeepSeek 背後的秘密 ，

最終總結

通過本文的講解，成體係地給身邊其他人講清楚 Transformer 工作原理 ，可能主要關注輸入的 "I"

題目: <start> 我 愛

<start> 我 愛

最新评论