別人吹r看一文搞一年懂 L的 T完能和

sin/cos 位置編碼乍一看有點數學味 ，看完核心是别人 “從左到右，

它最初來自一篇被稱為“AI 大航海時代起點”的吹年論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是文搞“加工”了一遍詞向量，逐詞生成”。懂L的成體係地給身邊其他人講清楚 Transformer 工作原理，看完得到“新含義”
。别人這樣模型才能表達更複雜的吹年模式，什麽自注意力機製啊、文搞連接輸入和輸出，懂L的

當提起 Transformer 這個話題時，看完

句子中的别人每個詞都會生成 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，

題目: <start> 我 愛

此時模型看到的是：

<start> 我 愛

也就是右移一格。

接下來，

注意力頭的數量是一個超參（Hyperparameter），對這個信息進行更複雜、

又暈了 ？其實通俗來講就是：Attention 負責找關係
，輸出 "我愛你"。

首先 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、並經過Add & Norm 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，理解力越強 。

最終總結

通過本文的講解，讓每個詞清楚自己的“位置” 。

圖的左邊一側Input（輸入），最後由FFN進行深度非線性變換以增強特征表達。起不到訓練效果
 。Llama 都堆到了幾十層甚至上百層 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，那一定要認識一下本文的主角 Transformer
。

最終 
，也能堆更多層。論文中的例子是並行開 8 個注意力頭。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，上麵向右移一位沒啥意義呀，

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
。但對模型來說是非常簡單高效的。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 ，已經成為當下所有大模型的基礎。decoder什麽的 ，

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，“貓”這些詞 ，向量化這一步非常基礎，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，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，兩個不同的注意力頭所展現出的各自關係，

  下圖是論文最後給出的一個簡單示例，就是下一個要生成的詞
  。

  今天我們就從這篇最初的論文出發，而不僅僅是做簡單的線性組合。從而真正理解它究竟為什麽如此火爆 
  。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，共同確保了模型無法“偷看答案”。揭開 ChatGPT、

  05｜重複 N 次：論文是 6 層 ，直接抄就可以啊 ，

  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，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 ，

  最後對 V 進行加權求和
  ，

  也就是說它和上麵的 Shifted Right協同工作，

  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 ，

  本文不討論公式，而是實實在在的矩陣乘法結果
  。需要把每個詞轉換成一個向量，描述了針對同一段文字，GPT、

  同樣通過一個FFN網絡進行深度加工 ，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，“你” 、防止模型從未來抄答案。其工作嚴格遵循架構圖右側流程，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。從更多視角掃描句子 。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  所以 ，用於後續計算。

  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。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，我們以翻譯任務為例：輸入 "I Love You"，後麵這個字是啥，

  所以需要額外告訴模型：

  “這是第 1 個詞，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。仿佛人人都可以講些相關名詞出來
  ，讓 Transformer 能分辨詞的“位置”，模型越大
  、卻很少有人能真正地說清楚 。48 個甚至更多的注意力頭，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，同時又不需要多餘的訓練成本。整體代表Encoder；右邊一側Output（輸出）
  ，更深度的非線性變換。層數越多、

  為了理解這個過程
   ，

  比如模型要開始做這張填空卷了。

  一般來講，

  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 、隻能接受數字 。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 。可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現 。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 ，但也是理解後麵一切的起點。可能主要關注輸入的 "Love"

• 生成 "你" 時 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。但我們肯定還不能丟掉原始信息 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，需要把標準答案整體右移一位 ，真正理解下 Transformer 究竟是何方神聖 。可能主要關注輸入的 "I"

• 生成 "愛" 時 ，

  但這其實也是一個 超參（Hyperparameter）。並在開頭加上起始符  ，更抽象的特征表達 ，完美詮釋了 Attention is All You Need的革命性思想 。

  實際可以開12 個、問 ：
  “你跟我有多相關？”

  打分越高 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。旨在讓更多讀者看完就能通俗地、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”，整體代表Decoder。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”，因此模型本身無法“天然”感知詞的先後關係 
。但若深入追問細節，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，需要參考 Encoder 的輸出 。也就是一組數字，

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、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，每個注意力頭可以關注不同的視角
，DeepSeek 背後的秘密，這層 Attention 是橋梁，

③ Masked Multi-Head Attention：遮住未來

有同學說了，把相關信息搜集到一起；

FFN則負責深加工 ，

這就是單一的 Self-Attention
。

它像給每個位置貼上一段獨一無二的“節奏標簽”，隻解讀圖表，Transformer憑借這一高度並行、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞  ，就越關注這個詞。encoder 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。成為當今所有大語言模型的基石 ，

最新评论