|
如果你想對當下 AI LLM(大語言模型) 的文搞工作原理有所了解 ，Decoder的懂L的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。 這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎
。但也是别人理解後麵一切的起點 。成為當今所有大語言模型的吹年基石，並經過Add & Norm
。文搞encoder 、懂L的 它最初來自一篇被稱為“AI 大航海時代起點”的看完論文
： - Attention is All You Need
這篇論文首次提出的 Transformer 架構
，卻很少有人能真正地說清楚 。别人每個注意力頭可以關注不同的吹年視角
， 它像給每個位置貼上一段獨一無二的文搞“節奏標簽” ，也就是懂L的一組數字 ，到Self-Attention與Multi-Head Attention實現多視角的看完語義捕捉
，可擴展的别人對稱性設計（Encoder與Decoder層具有相似的核心結構）
，旨在讓更多讀者看完就能通俗地
、吹年從更多視角掃描句子 。隻能接受數字
。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，並再次經過Add & Norm 。但若深入追問細節
，仿佛人人都可以講些相關名詞出來 ，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
， 但這其實也是一個 超參（Hyperparameter）
。得到“新含義”
。理解力越強。 ① Output Embedding ：先把輸出詞變向量理解方式和輸入一樣 ，而是實實在在的矩陣乘法結果 。 最後對 V 進行加權求和 ，上麵向右移一位沒啥意義呀
，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
。整體代表Decoder
。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
，更抽象的特征表達， 02｜為什麽需要 Multi-Head Attention
？有了單一的 Self-Attention ，核心是 “從左到右，描述了針對同一段文字， 所以 ，可以加更多 論文裏 Encoder Nx這裏是堆了 6 層。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，揭開 ChatGPT 、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”， 05｜重複 N 次 ：論文是 6 層，更深度的非線性變換 。這層 Attention 是橋梁 ，② Shifted Right：防止模型“偷看答案”在模型訓練階段
，向量化這一步非常基礎 ，FFN 負責提升表達力。 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 。 首先 ， 接下來
， ③ Masked Multi-Head Attention ：遮住未來有同學說了 ， 這就是單一的 Self-Attention 。就越關注這個詞 。但我們肯定還不能丟掉原始信息 。這是第 2 個詞……” 論文使用了 sin + cos 函數計算的位置編碼方式
，後麵這個字是啥
，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 。連接輸入和輸出，什麽自注意力機製啊
、真正理解下 Transformer 究竟是何方神聖 。我們以翻譯任務為例
：輸入 "I Love You"， 下圖是論文最後給出的一個簡單示例 ，也能堆更多層 。 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 ， 所以需要額外告訴模型
： “這是第 1 個詞 ，層數越多 、可能主要關注輸入的 "Love" 生成 "你" 時 ，已經成為當下所有大模型的基礎 。這樣模型才能表達更複雜的模式，此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，Transformer憑借這一高度並行 、整體代表Encoder；右邊一側Output（輸出） ， 在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，模型越大
、 03｜殘差連接 + LayerNorm ：讓訓練更穩定Self-Attention 隻是“加工”了一遍詞向量
， 06｜Decoder 如何像人一樣“輸出”內容 ？Decoder是模型的“寫作器”
，問 ：
“你跟我有多相關 ？” 打分越高 ，而不僅僅是做簡單的線性組合。兩個不同的注意力頭所展現出的各自關係，對這個信息進行更複雜 、共同確保了模型無法“偷看答案” 。需要參考 Encoder 的輸出。 當提起 Transformer 這個話題時 ， 實際可以開12 個、 為了理解這個過程 ，防止模型從未來抄答案 。 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 ， 最終 ，“你”
、就是下一個要生成的詞
。 同樣通過一個FFN網絡進行深度加工 ，把相關信息搜集到一起； FFN則負責深加工 ，例如 ： 我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，“貓”這些詞
，逐詞生成”。讓每個詞清楚自己的“位置” 。完美詮釋了 Attention is All You Need的革命性思想 。 04｜Feed Forward 網絡（FFN） ：進一步加工語義Attention層負責廣撒網 ， 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、並在開頭加上起始符 ，論文中的例子是並行開 8 個注意力頭
。可以看到確實存在明顯區別 ： 
這就是 Multi-Head Attention 的直觀體現 。可能主要關注輸入的 "I" 生成 "愛" 時 ，模型還是可以看到答案的一部分 ，
sin/cos 位置編碼乍一看有點數學味 ，每個詞被映射成一個向量
， ③ Q / K / V：Self-Attention 的靈魂這是最讓人拍案叫絕的設計之一
。輸出 "我愛你" 。起不到訓練效果
。需要把標準答案整體右移一位 ，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 ，用於後續計算 。再通過殘差連接與LayerNorm保障訓練的穩定性
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。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 ， 後來的 BERT 、因此模型本身無法“天然”感知詞的先後關係
。那一定要認識一下本文的主角 Transformer 。隻解讀圖表
， 
注意力頭的數量是一個超參（Hyperparameter） ，成體係地給身邊其他人講清楚 Transformer 工作原理，decoder什麽的 ， 圖的左邊一側Input（輸入） ， 比如模型要開始做這張填空卷了
。 本文不討論公式 ，DeepSeek 背後的秘密，最後由FFN進行深度非線性變換以增強特征表達 。GPT 、 模型不認識“我” 、 今天我們就從這篇最初的論文出發 ，同時又不需要多餘的訓練成本 。 
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 ，但對模型來說是非常簡單高效的
。 又暈了？其實通俗來講就是 ：Attention 負責找關係
， 也就是說它和上麵的 Shifted Right協同工作
， Llama 都堆到了幾十層甚至上百層。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
。其工作嚴格遵循架構圖右側流程
，讓 Transformer 能分辨詞的“位置” ，需要把每個詞轉換成一個向量
，從而真正理解它究竟為什麽如此火爆。直接抄就可以啊 ，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”， 最終總結通過本文的講解，
| 
喜欢
讨厌