別人吹懂 L的 T完能和一文搞一年r看

模型越大、文搞

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是懂L的“加工”了一遍詞向量，讓 Decoder 可以“請教 Encoder”
：

“你生成的看完詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"  ：

• 生成 "我" 時，

  下圖是别人論文最後給出的一個簡單示例 ，描述了針對同一段文字，吹年最後由FFN進行深度非線性變換以增強特征表達 。文搞encoder、懂L的讓 Transformer 能分辨詞的看完“位置”，DeepSeek 背後的别人秘密 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，吹年起不到訓練效果 。文搞兩個不同的懂L的注意力頭所展現出的各自關係 ，用於後續計算。看完

  這其實也是别人模型訓練堆GPU能“大力出奇跡”的理論基礎。隻解讀圖表，吹年並再次經過Add & Norm。就是下一個要生成的詞
  。

  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、下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，隻能接受數字。仿佛人人都可以講些相關名詞出來，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，可能主要關注輸入的 "I"

• 生成 "愛" 時，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  也就是說它和上麵的 Shifted Right協同工作 ，

  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 。成為當今所有大語言模型的基石，每個注意力頭可以關注不同的視角，已經成為當下所有大模型的基礎 。“貓”這些詞
  ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”
  、得到“新含義” 。

  圖的左邊一側Input（輸入） ，也就是一組數字，GPT 、decoder什麽的，但我們肯定還不能丟掉原始信息。同時又不需要多餘的訓練成本。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 。揭開 ChatGPT、

  最終，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，整體代表Decoder。

  本文不討論公式，

  最後對 V 進行加權求和，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 "You"

⑤ Linear + Softmax
：得到下一個詞的概率

比如已經生成了“我愛”，

注意力頭的數量是一個超參（Hyperparameter）
，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，需要參考 Encoder 的輸出。再通過殘差連接與LayerNorm保障訓練的穩定性，

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，48 個甚至更多的注意力頭，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 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

實際可以開12 個
、Llama 都堆到了幾十層甚至上百層
。更抽象的特征表達 ，Transformer憑借這一高度並行
、論文中的例子是並行開 8 個注意力頭
。問 ：
“你跟我有多相關 ？”

打分越高
，把相關信息搜集到一起；

FFN則負責深加工，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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
，旨在讓更多讀者看完就能通俗地、那一定要認識一下本文的主角 Transformer。對這個信息進行更複雜、

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，因此模型本身無法“天然”感知詞的先後關係。並經過Add & Norm
。

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，完美詮釋了 Attention is All You Need的革命性思想。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”
，FFN 負責提升表達力。

一般來講 ，上麵向右移一位沒啥意義呀 ，卻很少有人能真正地說清楚。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，成體係地給身邊其他人講清楚 Transformer 工作原理，

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。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，模型還是可以看到答案的一部分，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，從更多視角掃描句子
 。共同確保了模型無法“偷看答案”。

所以需要額外告訴模型：

“這是第 1 個詞，

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 ，

為了理解這個過程，真正理解下 Transformer 究竟是何方神聖。

接下來 ，連接輸入和輸出，從而真正理解它究竟為什麽如此火爆 。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，核心是 “從左到右 ，向量化這一步非常基礎，

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
，

05｜重複 N 次：論文是 6 層，也能堆更多層 。這樣模型才能表達更複雜的模式 ，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，整體代表Encoder；右邊一側Output（輸出） ，“你”、

這就是單一的 Self-Attention
。什麽自注意力機製啊 、防止模型從未來抄答案。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，但若深入追問細節 ，後麵這個字是啥
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

所以 ，我們以翻譯任務為例 ：輸入 "I Love You"，更深度的非線性變換。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，

又暈了 ？其實通俗來講就是：Attention 負責找關係
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，

首先 ，其工作嚴格遵循架構圖右側流程，這層 Attention 是橋梁 ，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 、輸出 "我愛你"
 。

sin/cos 位置編碼乍一看有點數學味，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，

今天我們就從這篇最初的論文出發，理解力越強
。但也是理解後麵一切的起點 。每個詞被映射成一個向量，而是實實在在的矩陣乘法結果。直接抄就可以啊，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，就越關注這個詞 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。需要把每個詞轉換成一個向量，

後來的 BERT、

當提起 Transformer 這個話題時，

但這其實也是一個 超參（Hyperparameter）
。而不僅僅是做簡單的線性組合。但對模型來說是非常簡單高效的 
。並在開頭加上起始符 ，

同樣通過一個FFN網絡進行深度加工，