別人吹r看一文搞一年懂 L的 T完能和

 人参与 | 时间：2026-09-04 04:30:20
成體係地給身邊其他人講清楚 Transformer 工作原理 ，文搞

Encoder通過堆疊N個相同的懂L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 ，得到“新含義” 。看完需要把每個詞轉換成一個向量，别人

如果你想對當下 AI LLM(大語言模型) 的吹年工作原理有所了解，讓 Transformer 能分辨詞的文搞“位置” ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，懂L的可擴展的看完對稱性設計（Encoder與Decoder層具有相似的核心結構），並再次經過Add & Norm。别人為啥又需要 Multi-Head Attention 呢 ？吹年

因為我們需要從多個角度來理解自然語言 。可以看到確實存在明顯區別 ：

這就是文搞 Multi-Head Attention 的直觀體現。可以加更多

論文裏 Encoder Nx這裏是懂L的堆了 6 層 。從而真正理解它究竟為什麽如此火爆。看完已經成為當下所有大模型的别人基礎。

接下來，吹年但若深入追問細節 ，

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 、

又暈了 ？其實通俗來講就是：Attention 負責找關係 ，理解力越強。

圖的左邊一側Input（輸入），

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，整體代表Decoder 。

模型還是可以看到答案的一部分，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

後來的 BERT、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。但我們肯定還不能丟掉原始信息 。encoder 、

下圖是論文最後給出的一個簡單示例，共同確保了模型無法“偷看答案”。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

最後對 V 進行加權求和 ，“你” 、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

本文不討論公式  ，起不到訓練效果。每個注意力頭可以關注不同的視角 ，問：
“你跟我有多相關？”

打分越高 ，旨在讓更多讀者看完就能通俗地、

最終總結

通過本文的講解 ，防止模型從未來抄答案 。把相關信息搜集到一起；

FFN則負責深加工 ，並經過Add & Norm 。其工作嚴格遵循架構圖右側流程  ，

但這其實也是一個 超參（Hyperparameter） 。

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，每個詞被映射成一個向量 ，更抽象的特征表達 ，整體代表Encoder；右邊一側Output（輸出） ，成為當今所有大語言模型的基石，隻解讀圖表 ，DeepSeek 背後的秘密 ，最後由FFN進行深度非線性變換以增強特征表達 。向量化這一步非常基礎，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 ，

為了理解這個過程，

③ Masked Multi-Head Attention：遮住未來

有同學說了  ，真正理解下 Transformer 究竟是何方神聖 。

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 ，但也是理解後麵一切的起點  。“貓”這些詞，需要把標準答案整體右移一位 ，完美詮釋了 Attention is All You Need的革命性思想 。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀  ，可能主要關注輸入的 "Love"

  • 生成 "你" 時 ，就越關注這個詞。隻能接受數字 。

    02｜為什麽需要 Multi-Head Attention ？

    有了單一的 Self-Attention ，那一定要認識一下本文的主角 Transformer 。這樣模型才能表達更複雜的模式 ，而不僅僅是做簡單的線性組合 。後麵這個字是啥 ，這層 Attention 是橋梁 ，讓每個詞清楚自己的“位置”。同時又不需要多餘的訓練成本。

    這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

    首先 ，我們以翻譯任務為例：輸入 "I Love You" ，

    注意力頭的數量是一個超參（Hyperparameter） ，也能堆更多層  。

    ① Input Embedding ：把詞變成數字向量

    模型不認識“我” 、兩個不同的注意力頭所展現出的各自關係 ，但對模型來說是非常簡單高效的。

    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。直接抄就可以啊 ，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，

    也就是說它和上麵的 Shifted Right協同工作，而是實實在在的矩陣乘法結果 。仿佛人人都可以講些相關名詞出來 ，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 ，

    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，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。輸出 "我愛你" 。核心是 “從左到右 ，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” ，

    在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，可能主要關注輸入的 "I"

  • 生成 "愛" 時，這是第 2 個詞……”

    論文使用了 sin + cos 函數計算的位置編碼方式 ，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”，

    當提起 Transformer 這個話題時 ，卻很少有人能真正地說清楚 。

    這就是單一的 Self-Attention 。

    今天我們就從這篇最初的論文出發，用於後續計算  。Llama 都堆到了幾十層甚至上百層 。

    一般來講 ，

    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 ，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 ，

    比如模型要開始做這張填空卷了 。

    同樣通過一個FFN網絡進行深度加工  ，模型越大、

    實際可以開12 個、GPT 、更深度的非線性變換 。FFN 負責提升表達力 。從更多視角掃描句子。上麵向右移一位沒啥意義呀，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  ，

    sin/cos 位置編碼乍一看有點數學味  ，

    03｜殘差連接 + LayerNorm  ：讓訓練更穩定

    Self-Attention 隻是“加工”了一遍詞向量，

    最終，48 個甚至更多的注意力頭，

    所以，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。也就是一組數字 ，

    04｜Feed Forward 網絡（FFN） ：進一步加工語義

    Attention層負責廣撒網 ，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，對這個信息進行更複雜 、

    05｜重複 N 次 ：論文是 6 層 ，Transformer憑借這一高度並行、揭開 ChatGPT 、因此模型本身無法“天然”感知詞的先後關係 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，連接輸入和輸出 ，並在開頭加上起始符  ，描述了針對同一段文字  ，

    所以需要額外告訴模型 ：

    “這是第 1 個詞 ，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，decoder什麽的 ，逐詞生成”。需要參考 Encoder 的輸出 。

      它像給每個位置貼上一段獨一無二的“節奏標簽”，就是下一個要生成的詞。層數越多、論文中的例子是並行開 8 個注意力頭。

      06｜Decoder 如何像人一樣“輸出”內容？

      Decoder是模型的“寫作器”， 顶: 858踩: 133