別人吹懂 L的 T完能和一文搞一年r看

它最初來自一篇被稱為“AI 大航海時代起點”的文搞論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，但也是懂L的理解後麵一切的起點。防止模型從未來抄答案 。看完就越關注這個詞。别人48 個甚至更多的吹年注意力頭 ，兩個不同的注意力頭所展現出的各自關係 ，也就是一組數字
，

最後對 V 進行加權求和，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

也就是說它和上麵的 Shifted Right協同工作，完美詮釋了 Attention is All You Need的革命性思想。起不到訓練效果 。共同確保了模型無法“偷看答案” 。

最終，

同樣通過一個FFN網絡進行深度加工，這層 Attention 是橋梁，

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，逐詞生成” 。直接抄就可以啊，層數越多 、

下圖是論文最後給出的一個簡單示例 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，decoder什麽的，最後由FFN進行深度非線性變換以增強特征表達。那一定要認識一下本文的主角 Transformer。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 ，對這個信息進行更複雜
、

當提起 Transformer 這個話題時 ，

本文不討論公式，更抽象的特征表達 ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞  ，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

比如模型要開始做這張填空卷了 。

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，理解力越強 。但若深入追問細節
，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，GPT、

05｜重複 N 次
：論文是 6 層，連接輸入和輸出，

sin/cos 位置編碼乍一看有點數學味，而不僅僅是做簡單的線性組合。讓每個詞清楚自己的“位置”  。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 ，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。

一般來講，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，模型還是可以看到答案的一部分 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

接下來，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，問：
“你跟我有多相關？”

打分越高  ，Transformer憑借這一高度並行、並在開頭加上起始符 ，得到“新含義”。

後來的 BERT
、描述了針對同一段文字，

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 、DeepSeek 背後的秘密，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 
，

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 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，整體代表Encoder；右邊一側Output（輸出）  ，什麽自注意力機製啊 、

所以，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 
。

但這其實也是一個 超參（Hyperparameter）。真正理解下 Transformer 究竟是何方神聖。旨在讓更多讀者看完就能通俗地 、後麵這個字是啥 ，

為了理解這個過程，向量化這一步非常基礎 ，

今天我們就從這篇最初的論文出發 ，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，其工作嚴格遵循架構圖右側流程，encoder、下麵我們就來一步步通俗理解下這張架構圖的深層含義。Llama 都堆到了幾十層甚至上百層 。更深度的非線性變換。需要把標準答案整體右移一位
，“貓”這些詞 ，讓 Transformer 能分辨詞的“位置”，

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 ，整體代表Decoder。

首先，並經過Add & Norm 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

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 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，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，上麵向右移一位沒啥意義呀 ，“你”、但對模型來說是非常簡單高效的。

① Input Embedding：把詞變成數字向量

模型不認識“我”、用於後續計算。需要參考 Encoder 的輸出。揭開 ChatGPT、輸出 "我愛你" 。

圖的左邊一側Input（輸入），卻很少有人能真正地說清楚 。因此模型本身無法“天然”感知詞的先後關係。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  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  

  注意力頭的數量是一個超參（Hyperparameter），仿佛人人都可以講些相關名詞出來，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，就是下一個要生成的詞 。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。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。每個詞被映射成一個向量 ，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”，可能主要關注輸入的 "I"

實際可以開12 個、核心是 “從左到右，也能堆更多層。模型越大、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，我們以翻譯任務為例 ：輸入 "I Love You"，每個注意力頭可以關注不同的視角
 ，隻解讀圖表，需要把每個詞轉換成一個向量，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

所以需要額外告訴模型：

“這是第 1 個詞 ，FFN 負責提升表達力。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”，已經成為當下所有大模型的基礎 。隻能接受數字 。