別人吹懂 L的 T完能和一文搞一年r看

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 。

③ Masked Multi-Head Attention：遮住未來

有同學說了，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，上麵向右移一位沒啥意義呀，

當提起 Transformer 這個話題時，再通過殘差連接與LayerNorm保障訓練的穩定性，並在開頭加上起始符 ，

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

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

① Input Embedding ：把詞變成數字向量

模型不認識“我”、模型越大 、但也是理解後麵一切的起點 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，卻很少有人能真正地說清楚。也能堆更多層。

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
。什麽自注意力機製啊 、Transformer憑借這一高度並行、可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。連接輸入和輸出 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。整體代表Decoder 。逐詞生成”。

05｜重複 N 次
 ：論文是 6 層 
，

所以 ，而是實實在在的矩陣乘法結果 。可能主要關注輸入的 "Love"

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

所以需要額外告訴模型：

“這是第 1 個詞 ，揭開 ChatGPT
、

但這其實也是一個 超參（Hyperparameter）  。讓 Transformer 能分辨詞的“位置” ，

用於後續計算 。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，從而真正理解它究竟為什麽如此火爆
。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。把相關信息搜集到一起；

FFN則負責深加工，

本文不討論公式，

sin/cos 位置編碼乍一看有點數學味 ，那一定要認識一下本文的主角 Transformer。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。GPT
 、層數越多
 、就是下一個要生成的詞。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

注意力頭的數量是一個超參（Hyperparameter） ，

今天我們就從這篇最初的論文出發 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。更深度的非線性變換 。

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，

圖的左邊一側Input（輸入），“貓”這些詞，真正理解下 Transformer 究竟是何方神聖 。FFN 負責提升表達力。仿佛人人都可以講些相關名詞出來，Llama 都堆到了幾十層甚至上百層  。得到“新含義” 。成體係地給身邊其他人講清楚 Transformer 工作原理，

實際可以開12 個 、因此模型本身無法“天然”感知詞的先後關係。從更多視角掃描句子。起不到訓練效果。輸出 "我愛你" 。而不僅僅是做簡單的線性組合。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，理解力越強
。

一般來講  ，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 ，直接抄就可以啊，但若深入追問細節，

  最終總結

  通過本文的講解，

  比如模型要開始做這張填空卷了
  。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，

  下圖是論文最後給出的一個簡單示例 ，decoder什麽的，“你”、DeepSeek 背後的秘密，

  最後對 V 進行加權求和
  ，就越關注這個詞  。讓每個詞清楚自己的“位置”
  。每個注意力頭可以關注不同的視角，

  最終，需要把標準答案整體右移一位，需要把每個詞轉換成一個向量 ，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，問 ：
  “你跟我有多相關 ？”

  打分越高，並經過Add & Norm
  。

  同樣通過一個FFN網絡進行深度加工，整體代表Encoder；右邊一側Output（輸出），encoder、

  

  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 ，

  首先，

  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 ，更抽象的特征表達，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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，核心是 “從左到右，描述了針對同一段文字 ，向量化這一步非常基礎，成為當今所有大語言模型的基石，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” ，

  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 ，後麵這個字是啥，共同確保了模型無法“偷看答案” 。

  這就是單一的 Self-Attention 。

  也就是說它和上麵的 Shifted Right協同工作，這樣模型才能表達更複雜的模式，

  後來的 BERT、也就是一組數字，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” ，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 。同時又不需要多餘的訓練成本。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，完美詮釋了 Attention is All You Need的革命性思想。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布  。最後由FFN進行深度非線性變換以增強特征表達 。對這個信息進行更複雜、

為了理解這個過程，這層 Attention 是橋梁
，

接下來，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 ，每個詞被映射成一個向量
，

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，但對模型來說是非常簡單高效的。