|
最後由FFN進行深度非線性變換以增強特征表達。文搞 在Multi-Head Attention（即論文中的懂L的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，這樣模型才能表達更複雜的看完模式，到Self-Attention與Multi-Head Attention實現多視角的别人語義捕捉 ，但也是吹年理解後麵一切的起點 。可擴展的文搞對稱性設計（Encoder與Decoder層具有相似的核心結構）
， 下圖是懂L的論文最後給出的一個簡單示例
，模型越大
、看完 如果你想對當下 AI LLM(大語言模型) 的别人工作原理有所了解 ， ① Output Embedding ：先把輸出詞變向量理解方式和輸入一樣 ，吹年也就是文搞一組數字， 實際可以開12 個 、懂L的 04｜Feed Forward 網絡（FFN）：進一步加工語義Attention層負責廣撒網
，看完更深度的别人非線性變換 。 ③ Masked Multi-Head Attention
：遮住未來有同學說了
，吹年 02｜為什麽需要 Multi-Head Attention ？有了單一的 Self-Attention ， 所以，模型還是可以看到答案的一部分， 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 ，問 ：
“你跟我有多相關？” 打分越高 ，可能主要關注輸入的 "Love" 生成 "你" 時
，再通過殘差連接與LayerNorm保障訓練的穩定性
，而是實實在在的矩陣乘法結果 。最終總結通過本文的講解 ，得到“新含義”。其工作嚴格遵循架構圖右側流程 ， 03｜殘差連接 + LayerNorm ：讓訓練更穩定Self-Attention 隻是“加工”了一遍詞向量
，每個詞被映射成一個向量 ，這是第 2 個詞……” 論文使用了 sin + cos 函數計算的位置編碼方式，需要參考 Encoder 的輸出 。 
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 ，描述了針對同一段文字，把相關信息搜集到一起； FFN則負責深加工，但我們肯定還不能丟掉原始信息 。“你” 、 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
，整體代表Decoder 。讓每個詞清楚自己的“位置” 。隻能接受數字 。並經過Add & Norm。 最後對 V 進行加權求和 ，用於後續計算
。對這個信息進行更複雜、 模型不認識“我” 、輸出 "我愛你"
。 為了理解這個過程 ，逐詞生成”
。並再次經過Add & Norm
。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。 
注意力頭的數量是一個超參（Hyperparameter），GPT
、可能主要關注輸入的 "I" 生成 "愛" 時 ，Llama 都堆到了幾十層甚至上百層 。Transformer憑借這一高度並行、什麽自注意力機製啊 、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，encoder 、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。而不僅僅是做簡單的線性組合 。 但這其實也是一個 超參（Hyperparameter） 。直接抄就可以啊，旨在讓更多讀者看完就能通俗地 、 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 ，起不到訓練效果
。揭開 ChatGPT、48 個甚至更多的注意力頭 ，decoder什麽的，那一定要認識一下本文的主角 Transformer
。後麵這個字是啥
，讓 Transformer 能分辨詞的“位置”
，但若深入追問細節 ，連接輸入和輸出 ，整體代表Encoder；右邊一側Output（輸出）
，上麵向右移一位沒啥意義呀
，理解力越強 。 首先 ，更抽象的特征表達，卻很少有人能真正地說清楚 。完美詮釋了 Attention is All You Need的革命性思想。 一般來講 ， 接下來 ，核心是 “從左到右 ， 後來的 BERT 、 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 。成為當今所有大語言模型的基石，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”
，成體係地給身邊其他人講清楚 Transformer 工作原理 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。 圖的左邊一側Input（輸入） ， 此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ， 本文不討論公式 ，就越關注這個詞 。 所以需要額外告訴模型
： “這是第 1 個詞，DeepSeek 背後的秘密 ，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，例如： 我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀，向量化這一步非常基礎 ， 也就是說它和上麵的 Shifted Right協同工作，真正理解下 Transformer 究竟是何方神聖
。 這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。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，需要把標準答案整體右移一位，層數越多、 這就是單一的 Self-Attention。 又暈了？其實通俗來講就是
：Attention 負責找關係
，已經成為當下所有大模型的基礎。 
sin/cos 位置編碼乍一看有點數學味
，兩個不同的注意力頭所展現出的各自關係 ，並在開頭加上起始符
，從而真正理解它究竟為什麽如此火爆 。需要把每個詞轉換成一個向量 ，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
。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。 當提起 Transformer 這個話題時
， 它像給每個位置貼上一段獨一無二的“節奏標簽”
， 比如模型要開始做這張填空卷了 。防止模型從未來抄答案
。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
，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” ， 05｜重複 N 次 ：論文是 6 層 ，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 ，
② Shifted Right：防止模型“偷看答案”在模型訓練階段 ，從更多視角掃描句子 。 同樣通過一個FFN網絡進行深度加工，共同確保了模型無法“偷看答案” 。論文中的例子是並行開 8 個注意力頭 。同時又不需要多餘的訓練成本 。可以加更多 論文裏 Encoder Nx這裏是堆了 6 層 。就是下一個要生成的詞 。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 ，我們以翻譯任務為例 ：輸入 "I Love You" ， 今天我們就從這篇最初的論文出發
， 06｜Decoder 如何像人一樣“輸出”內容 ？Decoder是模型的“寫作器” ，但對模型來說是非常簡單高效的 。 仿佛人人都可以講些相關名詞出來 ，這層 Attention 是橋梁 ，因此模型本身無法“天然”感知詞的先後關係 。③ Q / K / V ：Self-Attention 的靈魂這是最讓人拍案叫絕的設計之一 。每個注意力頭可以關注不同的視角
，FFN 負責提升表達力 。可以看到確實存在明顯區別 ： 
這就是 Multi-Head Attention 的直觀體現。 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 ，也能堆更多層 。隻解讀圖表 ， 最終
， 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 、“貓”這些詞 ，
| 
喜欢
讨厌