別人吹r看一文搞一年懂 L的 T完能和

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、

最後對 V 進行加權求和，吹年但若深入追問細節 ，文搞輸出 "我愛你" 。懂L的

今天我們就從這篇最初的看完論文出發 ，Transformer憑借這一高度並行、别人

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段，吹年而不僅僅是文搞做簡單的線性組合
 。

最終總結

通過本文的懂L的講解，

首先，看完

但這其實也是别人一個 超參（Hyperparameter）。

這就是吹年單一的 Self-Attention。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。並在開頭加上起始符 ，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，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，需要把標準答案整體右移一位，就越關注這個詞 
。更深度的非線性變換 。那一定要認識一下本文的主角 Transformer。我們以翻譯任務為例
：輸入 "I Love You" ，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”，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，每個詞被映射成一個向量，旨在讓更多讀者看完就能通俗地
、起不到訓練效果。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。“貓”這些詞 ，更抽象的特征表達，上麵向右移一位沒啥意義呀，

當提起 Transformer 這個話題時，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，因此模型本身無法“天然”感知詞的先後關係。

接下來 ，

圖的左邊一側Input（輸入），直接抄就可以啊，從更多視角掃描句子
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），逐詞生成”
。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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

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 ，連接輸入和輸出
，

實際可以開12 個、需要把每個詞轉換成一個向量，隻能接受數字 。隻解讀圖表 ，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，核心是 “從左到右 ，這樣模型才能表達更複雜的模式 ，讓 Transformer 能分辨詞的“位置”
，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

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，再通過殘差連接與LayerNorm保障訓練的穩定性 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，其工作嚴格遵循架構圖右側流程 ，得到“新含義”。

③ Masked Multi-Head Attention：遮住未來

有同學說了，

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。

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
，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”  ，“你”、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
  ，
  下麵我們就來一步步通俗理解下這張架構圖的深層含義。這層 Attention 是橋梁 ，但也是理解後麵一切的起點
  。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，成為當今所有大語言模型的基石，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、理解力越強。完美詮釋了 Attention is All You Need的革命性思想
  。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 ，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”，Llama 都堆到了幾十層甚至上百層。就是下一個要生成的詞 
  。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 。防止模型從未來抄答案。

  

  sin/cos 位置編碼乍一看有點數學味，也就是一組數字 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  所以，48 個甚至更多的注意力頭，共同確保了模型無法“偷看答案”。但我們肯定還不能丟掉原始信息。

  為了理解這個過程，

  後來的 BERT、每個注意力頭可以關注不同的視角，描述了針對同一段文字，真正理解下 Transformer 究竟是何方神聖
  。並經過Add & Norm 。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，模型越大、

  本文不討論公式，模型還是可以看到答案的一部分，同時又不需要多餘的訓練成本。

  下圖是論文最後給出的一個簡單示例，對這個信息進行更複雜 、可能主要關注輸入的 "I"

• 生成 "愛" 時，最後由FFN進行深度非線性變換以增強特征表達。FFN 負責提升表達力。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，

  比如模型要開始做這張填空卷了。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  一般來講，也能堆更多層。可能主要關注輸入的 "Love"

• 生成 "你" 時 ，

  所以需要額外告訴模型：

  “這是第 1 個詞，用於後續計算。後麵這個字是啥
  ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention
  ，揭開 ChatGPT、讓每個詞清楚自己的“位置”。兩個不同的注意力頭所展現出的各自關係，

  又暈了？其實通俗來講就是：Attention 負責找關係
  ，把相關信息搜集到一起；

  FFN則負責深加工 ，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。但對模型來說是非常簡單高效的。

  

  注意力頭的數量是一個超參（Hyperparameter），論文中的例子是並行開 8 個注意力頭。

  也就是說它和上麵的 Shifted Right協同工作，問：
  “你跟我有多相關
  ？”

  打分越高 ，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，仿佛人人都可以講些相關名詞出來，層數越多、

  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 ，並再次經過Add & Norm 。例如
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，

  最終  ，整體代表Encoder；右邊一側Output（輸出），而是實實在在的矩陣乘法結果 
  。decoder什麽的，GPT、向量化這一步非常基礎 ，

  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，什麽自注意力機製啊、

  同樣通過一個FFN網絡進行深度加工，卻很少有人能真正地說清楚。已經成為當下所有大模型的基礎 。

  05｜重複 N 次：論文是 6 層，整體代表Decoder。DeepSeek 背後的秘密
   ，encoder 、

最新评论