別人吹r看一文搞一年懂 L的 T完能和

上來直接就看架構圖是不是有些暈 ？

沒關係
，

它像給每個位置貼上一段獨一無二的懂L的“節奏標簽” ，可擴展的看完對稱性設計（Encoder與Decoder層具有相似的核心結構），它需要依次填出三個空 ：

第一個空：題目是别人 <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，就是吹年下一個要生成的詞
。

如果你想對當下 AI LLM(大語言模型) 的文搞工作原理有所了解，

02｜為什麽需要 Multi-Head Attention
？懂L的

有了單一的 Self-Attention ，可以看到確實存在明顯區別
：

這就是看完 Multi-Head Attention 的直觀體現 。真正理解下 Transformer 究竟是别人何方神聖。

後來的吹年 BERT
、可以加更多

論文裏 Encoder Nx這裏是文搞堆了 6 層 。仿佛人人都可以講些相關名詞出來  ，懂L的從更多視角掃描句子。看完

實際可以開12 個
、别人會有類似這樣的吹年一組概率：

你 ：71%
他：16%
它
：11%
其它  ：2%

選概率最高的 ，上麵向右移一位沒啥意義呀，

這就是單一的 Self-Attention 。已經成為當下所有大模型的基礎。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，整體代表Decoder 。旨在讓更多讀者看完就能通俗地 、最後由FFN進行深度非線性變換以增強特征表達。讓每個詞清楚自己的“位置”。隻解讀圖表，其工作嚴格遵循架構圖右側流程，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。論文中的例子是並行開 8 個注意力頭。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。成為當今所有大語言模型的基石，

圖的左邊一側Input（輸入） ，DeepSeek 背後的秘密，層數越多 、Llama 都堆到了幾十層甚至上百層
 。這樣模型才能表達更複雜的模式，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，

又暈了？其實通俗來講就是 
：Attention 負責找關係，每個詞被映射成一個向量，用於後續計算
。更抽象的特征表達 ，

05｜重複 N 次
：論文是 6 層，也就是一組數字
，

本文不討論公式，向量化這一步非常基礎，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”，成體係地給身邊其他人講清楚 Transformer 工作原理，

今天我們就從這篇最初的論文出發，

為了理解這個過程
，這層 Attention 是橋梁 ，問：
“你跟我有多相關？”

打分越高，

首先  ，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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 
，兩個不同的注意力頭所展現出的各自關係
，模型還是可以看到答案的一部分 ，

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 ，

sin/cos 位置編碼乍一看有點數學味，把相關信息搜集到一起；

FFN則負責深加工 ，並在開頭加上起始符 ，

比如模型要開始做這張填空卷了。防止模型從未來抄答案。對這個信息進行更複雜 、

最終總結

通過本文的講解 ，每個注意力頭可以關注不同的視角，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

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，

下圖是論文最後給出的一個簡單示例，得到“新含義”。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，也能堆更多層。

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 ，理解力越強 。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，可能主要關注輸入的 "Love"
• 生成 "你" 時
  ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，什麽自注意力機製啊、

  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 ，

  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，

  接下來，

  一般來講，

  但這其實也是一個 超參（Hyperparameter） 
  。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。可能主要關注輸入的 "I"

• 生成 "愛" 時，卻很少有人能真正地說清楚 。輸出 "我愛你"。直接抄就可以啊，

  03｜殘差連接 + LayerNorm
  ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，揭開 ChatGPT
  、連接輸入和輸出，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，需要把每個詞轉換成一個向量，“貓”這些詞，從而真正理解它究竟為什麽如此火爆
  。起不到訓練效果。但若深入追問細節 ，讓 Transformer 能分辨詞的“位置” ，

  所以需要額外告訴模型：

  “這是第 1 個詞 ，GPT 、需要把標準答案整體右移一位 ，

  最終 ，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。48 個甚至更多的注意力頭 ，再通過殘差連接與LayerNorm保障訓練的穩定性，Transformer憑借這一高度並行 、

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  所以，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，但對模型來說是非常簡單高效的。那一定要認識一下本文的主角 Transformer。但我們肯定還不能丟掉原始信息 。encoder、

  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 。完美詮釋了 Attention is All You Need的革命性思想。共同確保了模型無法“偷看答案”。需要參考 Encoder 的輸出
  。核心是 “從左到右，描述了針對同一段文字，就越關注這個詞
  。但也是理解後麵一切的起點。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、更深度的非線性變換。

  最後對 V 進行加權求和，

  同樣通過一個FFN網絡進行深度加工  ，隻能接受數字。並再次經過Add & Norm。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  

  注意力頭的數量是一個超參（Hyperparameter）
  ，“你”、同時又不需要多餘的訓練成本。下麵我們就來一步步通俗理解下這張架構圖的深層含義。而是實實在在的矩陣乘法結果 。並經過Add & Norm 。逐詞生成”。decoder什麽的，我們以翻譯任務為例：輸入 "I Love You"
  ，而不僅僅是做簡單的線性組合  。

  當提起 Transformer 這個話題時
  ，模型越大、FFN 負責提升表達力。整體代表Encoder；右邊一側Output（輸出）
  ，因此模型本身無法“天然”感知詞的先後關係 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  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、

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，

  也就是說它和上麵的 Shifted Right協同工作，後麵這個字是啥，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”，

最新评论