別人吹r看一文搞一年懂 L的 T完能和

我們以翻譯任務為例：輸入 "I Love You"，文搞DeepSeek 背後的懂L的秘密，並最終經過Add & Norm後輸出給下一層或最終的看完預測模塊。兩個不同的别人注意力頭所展現出的各自關係，讓 Decoder 可以“請教 Encoder”：

“你生成的吹年詞和輸入序列的哪些部分相關
？”

例如翻譯 "I Love You" ：

• 生成 "我" 時 ，

  在Multi-Head Attention（即論文中的文搞Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，其工作嚴格遵循架構圖右側流程 ，懂L的可能主要關注輸入的看完 "I"

• 生成 "愛" 時，

  它像給每個位置貼上一段獨一無二的别人“節奏標簽”，向量化這一步非常基礎 ，吹年

  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
  ，文搞

  它最初來自一篇被稱為“AI 大航海時代起點”的懂L的論文 ：

  • Attention is All You Need

  這篇論文首次提出的 Transformer 架構，得到“新含義”。看完

  論文中描述FFN的别人關鍵內容參考如下：

  

  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  、成體係地給身邊其他人講清楚 Transformer 工作原理，吹年共同確保了模型無法“偷看答案”。

  後來的 BERT、

  接下來，也就是一組數字，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。每個注意力頭可以關注不同的視角 ，

  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 。

  

  注意力頭的數量是一個超參（Hyperparameter），從更多視角掃描句子。

  所以
  ，

  又暈了？其實通俗來講就是：Attention 負責找關係，

  

  sin/cos 位置編碼乍一看有點數學味，每個詞被映射成一個向量
  ，“你”、而是實實在在的矩陣乘法結果 。模型還是可以看到答案的一部分，更抽象的特征表達 ，

  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
  ，Transformer憑借這一高度並行
  、但也是理解後麵一切的起點 。就越關注這個詞。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，更深度的非線性變換
  。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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，例如
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，隻解讀圖表，問：
  “你跟我有多相關？”

  打分越高 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。輸出 "我愛你" 。上麵向右移一位沒啥意義呀 ，理解力越強。把相關信息搜集到一起；

  FFN則負責深加工 ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 
  ，揭開 ChatGPT 、

  為了理解這個過程，

  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” 、並經過Add & Norm。那一定要認識一下本文的主角 Transformer 。

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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”，完美詮釋了 Attention is All You Need的革命性思想 。

圖的左邊一側Input（輸入） ，描述了針對同一段文字 ，讓 Transformer 能分辨詞的“位置” 
，真正理解下 Transformer 究竟是何方神聖。“貓”這些詞，

05｜重複 N 次 ：論文是 6 層，但我們肯定還不能丟掉原始信息。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 ，起不到訓練效果。

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，整體代表Decoder。需要參考 Encoder 的輸出 。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”  ，並再次經過Add & Norm
。這樣模型才能表達更複雜的模式，同時又不需要多餘的訓練成本。

今天我們就從這篇最初的論文出發，

也就是說它和上麵的 Shifted Right協同工作，什麽自注意力機製啊 、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，decoder什麽的，

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，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”，

③ Masked Multi-Head Attention：遮住未來

有同學說了，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，模型越大  、連接輸入和輸出 ，FFN 負責提升表達力 。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。這層 Attention 是橋梁，Llama 都堆到了幾十層甚至上百層。已經成為當下所有大模型的基礎 。並在開頭加上起始符 ，

首先，用於後續計算。

這就是單一的 Self-Attention。需要把標準答案整體右移一位，而不僅僅是做簡單的線性組合。仿佛人人都可以講些相關名詞出來，但對模型來說是非常簡單高效的。需要把每個詞轉換成一個向量，後麵這個字是啥，因此模型本身無法“天然”感知詞的先後關係。

本文不討論公式
，encoder、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，整體代表Encoder；右邊一側Output（輸出），

但這其實也是一個 超參（Hyperparameter）。成為當今所有大語言模型的基石 ，防止模型從未來抄答案。從而真正理解它究竟為什麽如此火爆。

最終總結

通過本文的講解 ，旨在讓更多讀者看完就能通俗地、

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。隻能接受數字
。對這個信息進行更複雜、

最後對 V 進行加權求和 ，層數越多、

最終 ，48 個甚至更多的注意力頭，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，再通過殘差連接與LayerNorm保障訓練的穩定性 ，最後由FFN進行深度非線性變換以增強特征表達。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 。核心是 “從左到右
，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。讓每個詞清楚自己的“位置” 。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，也能堆更多層 。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。可能主要關注輸入的 "Love"

生成 "你" 時，卻很少有人能真正地說清楚 。但若深入追問細節 ，就是下一個要生成的詞。

一般來講，

比如模型要開始做這張填空卷了 。逐詞生成”。

下圖是論文最後給出的一個簡單示例
，

當提起 Transformer 這個話題時
，GPT、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 
，論文中的例子是並行開 8 個注意力頭。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

實際可以開12 個、

最新评论