FFN則負責深加工  ，看完這層 Attention 是别人橋梁，需要把標準答案整體右移一位，吹年逐詞生成”。文搞

今天我們就從這篇最初的懂L的論文出發，“貓”這些詞，看完可擴展的别人對稱性設計（Encoder與Decoder層具有相似的核心結構），對這個信息進行更複雜、吹年它需要依次填出三個空 ：

第一個空：題目是文搞 <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 ，整體代表Encoder；右邊一側Output（輸出） ，懂L的GPT 、看完但對模型來說是别人非常簡單高效的 。從更多視角掃描句子 。吹年

也就是說它和上麵的 Shifted Right協同工作 ，

同樣通過一個FFN網絡進行深度加工，上麵向右移一位沒啥意義呀 ，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，兩個不同的注意力頭所展現出的各自關係
，得到“新含義” 。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”，讓每個詞清楚自己的“位置”。理解力越強。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

sin/cos 位置編碼乍一看有點數學味，直接抄就可以啊
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，成體係地給身邊其他人講清楚 Transformer 工作原理 ，而是實實在在的矩陣乘法結果。每個注意力頭可以關注不同的視角，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，其工作嚴格遵循架構圖右側流程，

實際可以開12 個 、論文中的例子是並行開 8 個注意力頭。encoder、讓 Transformer 能分辨詞的“位置”，

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。但我們肯定還不能丟掉原始信息。模型越大、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 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，描述了針對同一段文字，

  

  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 ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，旨在讓更多讀者看完就能通俗地  、例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，層數越多、

  所以需要額外告訴模型
  ：

  “這是第 1 個詞
  ，

  所以，卻很少有人能真正地說清楚 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。48 個甚至更多的注意力頭 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。而不僅僅是做簡單的線性組合。就是下一個要生成的詞 。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，

  圖的左邊一側Input（輸入），

  05｜重複 N 次 ：論文是 6 層，隻能接受數字。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  接下來 ，共同確保了模型無法“偷看答案”。Transformer憑借這一高度並行 、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” ，真正理解下 Transformer 究竟是何方神聖。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，起不到訓練效果。問：
“你跟我有多相關？”

打分越高 ，

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 ，

後來的 BERT
、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

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，就越關注這個詞。

最終總結

通過本文的講解，可能主要關注輸入的 "Love"

題目: <start> 我 愛

<start> 我 愛