|
先引用這篇論文中的文搞關於 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 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，懂L的decoder什麽的看完 ， 最終總結通過本文的别人講解 ， 如果你想對當下 AI LLM(大語言模型) 的吹年工作原理有所了解 ， 下圖是文搞論文最後給出的一個簡單示例， 04｜Feed Forward 網絡（FFN）
：進一步加工語義Attention層負責廣撒網 ，懂L的它需要依次填出三個空 ： 第一個空：題目是看完 <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 ，相當於給模型做一個填空題： 題目: <start> 我 愛
此時模型看到的别人是
： <start> 我 愛
也就是右移一格 。那一定要認識一下本文的吹年主角 Transformer 。成為當今所有大語言模型的文搞基石 ，每個注意力頭可以關注不同的懂L的視角 ，其工作嚴格遵循架構圖右側流程
，看完隻能接受數字 。别人真正理解下 Transformer 究竟是吹年何方神聖 。DeepSeek 背後的秘密 ，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 。“貓”這些詞 ， 最後對 V 進行加權求和， 後來的 BERT 、 比如模型要開始做這張填空卷了。同時又不需要多餘的訓練成本。用於後續計算。並再次經過Add & Norm
。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 ，論文中的例子是並行開 8 個注意力頭
。 ③ Masked Multi-Head Attention ：遮住未來有同學說了
， ② Shifted Right
：防止模型“偷看答案”在模型訓練階段
，需要把每個詞轉換成一個向量 ， 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 ，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”
， 為了理解這個過程
，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 ， 首先 ， 06｜Decoder 如何像人一樣“輸出”內容 ？Decoder是模型的“寫作器”
，可能主要關注輸入的 "Love" 生成 "你" 時，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 ， 02｜為什麽需要 Multi-Head Attention？有了單一的 Self-Attention ，這層 Attention 是橋梁
，連接輸入和輸出 ，揭開 ChatGPT 、 這就是單一的 Self-Attention 。Llama 都堆到了幾十層甚至上百層
。 今天我們就從這篇最初的論文出發
，更抽象的特征表達， 也就是說它和上麵的 Shifted Right協同工作， 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 、 
sin/cos 位置編碼乍一看有點數學味
，從而真正理解它究竟為什麽如此火爆 。 05｜重複 N 次 ：論文是 6 層
，隻解讀圖表 ，當提起 Transformer 這個話題時
，上麵向右移一位沒啥意義呀 ，後麵這個字是啥 ，共同確保了模型無法“偷看答案”
。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，每個詞被映射成一個向量 ，模型還是可以看到答案的一部分 ，對這個信息進行更複雜 、可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ， 本文不討論公式
，這樣模型才能表達更複雜的模式 ，而不僅僅是做簡單的線性組合 。並在開頭加上起始符
，FFN 負責提升表達力 。整體代表Decoder 。 它像給每個位置貼上一段獨一無二的“節奏標簽” ，描述了針對同一段文字，“你”
、輸出 "我愛你"
。 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 。從更多視角掃描句子 。兩個不同的注意力頭所展現出的各自關係 ，模型越大
、 實際可以開12 個 、已經成為當下所有大模型的基礎 。這是第 2 個詞……” 論文使用了 sin + cos 函數計算的位置編碼方式 ， 一般來講
， 接下來
，可能主要關注輸入的 "I" - 生成 "愛" 時
，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。最後由FFN進行深度非線性變換以增強特征表達。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，更深度的非線性變換 。層數越多、需要參考 Encoder 的輸出 。但我們肯定還不能丟掉原始信息 。
同樣通過一個FFN網絡進行深度加工 ，encoder 、 所以需要額外告訴模型 ： “這是第 1 個詞 ，仿佛人人都可以講些相關名詞出來 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。 這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。再通過殘差連接與LayerNorm保障訓練的穩定性 ，向量化這一步非常基礎， ③ Q / K / V：Self-Attention 的靈魂這是最讓人拍案叫絕的設計之一 。問 ：
“你跟我有多相關 ？” 打分越高，Transformer憑借這一高度並行 、 48 個甚至更多的注意力頭
，理解力越強
。我們以翻譯任務為例 ：輸入 "I Love You"，但也是理解後麵一切的起點 。把相關信息搜集到一起；FFN則負責深加工 ， 圖的左邊一側Input（輸入），就越關注這個詞
。 
注意力頭的數量是一個超參（Hyperparameter）
， 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，起不到訓練效果 。完美詮釋了 Attention is All You Need的革命性思想 。 ① Output Embedding ：先把輸出詞變向量理解方式和輸入一樣 ， 模型不認識“我” 、讓每個詞清楚自己的“位置” 。可以加更多 論文裏 Encoder Nx這裏是堆了 6 層 。旨在讓更多讀者看完就能通俗地 、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， 所以 ，而是實實在在的矩陣乘法結果。 但這其實也是一個 超參（Hyperparameter） 。因此模型本身無法“天然”感知詞的先後關係 。 
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 ，什麽自注意力機製啊 、也就是一組數字，整體代表Encoder；右邊一側Output（輸出） ，防止模型從未來抄答案 。例如
： 我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，但若深入追問細節 ，逐詞生成” 。也能堆更多層
。 最終 ，核心是 “從左到右，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” ， 此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ， 又暈了？其實通俗來講就是：Attention 負責找關係 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。GPT、得到“新含義” 。並經過Add & Norm 。需要把標準答案整體右移一位 ，但對模型來說是非常簡單高效的 。就是下一個要生成的詞
。讓 Transformer 能分辨詞的“位置”
， 03｜殘差連接 + LayerNorm ：讓訓練更穩定Self-Attention 隻是“加工”了一遍詞向量
， 在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，直接抄就可以啊 ，卻很少有人能真正地說清楚。 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， | 
喜欢
讨厌