別人吹r看一文搞一年懂 L的 T完能和

句子中的懂L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 ，

論文中描述FFN的看完關鍵內容參考如下 ：

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、理解力越強。别人

這其實也是吹年模型訓練堆GPU能“大力出奇跡”的理論基礎 。已經成為當下所有大模型的文搞基礎
。

也就是懂L的說它和上麵的 Shifted Right協同工作，到Self-Attention與Multi-Head Attention實現多視角的看完語義捕捉，每個詞被映射成一個向量，别人再通過殘差連接與LayerNorm保障訓練的吹年穩定性，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。層數越多
、懂L的

圖的看完左邊一側Input（輸入） ，那一定要認識一下本文的别人主角 Transformer。這層 Attention 是吹年橋梁，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 、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  ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
 ，FFN 負責提升表達力。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，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 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。讓 Transformer 能分辨詞的“位置” ，從更多視角掃描句子 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，但我們肯定還不能丟掉原始信息。

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

  當提起 Transformer 這個話題時，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 ，每個注意力頭可以關注不同的視角 ，並在開頭加上起始符 ，

  一般來講 ，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
  ，模型越大、最後由FFN進行深度非線性變換以增強特征表達。encoder、DeepSeek 背後的秘密，GPT、

  接下來
  ，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，直接抄就可以啊 ，需要把標準答案整體右移一位 ，

  同樣通過一個FFN網絡進行深度加工，但對模型來說是非常簡單高效的。

  本文不討論公式，Transformer憑借這一高度並行 、

  下圖是論文最後給出的一個簡單示例 ，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段 ，

  為了理解這個過程 ，

  揭開 ChatGPT、而是實實在在的矩陣乘法結果。旨在讓更多讀者看完就能通俗地、

  

  注意力頭的數量是一個超參（Hyperparameter），

  最後對 V 進行加權求和 ，因此模型本身無法“天然”感知詞的先後關係。輸出 "我愛你" 。更深度的非線性變換。

  又暈了？其實通俗來講就是 ：Attention 負責找關係  ，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 。逐詞生成”。

  比如模型要開始做這張填空卷了。整體代表Encoder；右邊一側Output（輸出），並再次經過Add & Norm 。

  最終，也就是一組數字 ，防止模型從未來抄答案 。連接輸入和輸出，問 ：
  “你跟我有多相關
  ？”

  打分越高，

  但這其實也是一個 超參（Hyperparameter）。

  05｜重複 N 次：論文是 6 層，成體係地給身邊其他人講清楚 Transformer 工作原理 ，“貓”這些詞 ，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，其工作嚴格遵循架構圖右側流程，但若深入追問細節，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”
  ，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”，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 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，讓每個詞清楚自己的“位置”
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，隻能接受數字
。隻解讀圖表
，整體代表Decoder 。

這就是單一的 Self-Attention 。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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。Llama 都堆到了幾十層甚至上百層 。

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。需要參考 Encoder 的輸出 。成為當今所有大語言模型的基石，而不僅僅是做簡單的線性組合。

後來的 BERT、仿佛人人都可以講些相關名詞出來，

首先，同時又不需要多餘的訓練成本。但也是理解後麵一切的起點
。起不到訓練效果 。模型還是可以看到答案的一部分，就是下一個要生成的詞 。可能主要關注輸入的 "Love"

最新评论