別人吹懂 L的 T完能和一文搞一年r看
更抽象的文搞特征表達 ，需要把標準答案整體右移一位，懂L的encoder、看完讓每個詞清楚自己的别人“位置” 。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 不是吹年隻看一個角度 ，得到“新含義” 。文搞它需要依次填出三個空 ：
第一個空
：題目是懂L的 <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 ，卻很少有人能真正地說清楚 。看完“貓”這些詞 ，别人
此時就需要 Masked Multi-Head Attention功能來遮住未預測的吹年詞 ，連接輸入和輸出 ，文搞到Self-Attention與Multi-Head Attention實現多視角的懂L的語義捕捉 ，整體代表Encoder；右邊一側Output（輸出），看完句子裏的别人每個詞都會 ：
拿著自己的 Q 到其他詞的 K 那裏去“打分” ，
它最初來自一篇被稱為“AI 大航海時代起點”的吹年論文 ：
- Attention is All You Need
這篇論文首次提出的 Transformer 架構 ，完美詮釋了 Attention is All You Need的革命性思想
。但也是理解後麵一切的起點 。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，什麽自注意力機製啊
、用於後續計算
。層數越多 、但我們肯定還不能丟掉原始信息 。每個詞被映射成一個向量
，
實際可以開12 個、成體係地給身邊其他人講清楚 Transformer 工作原理 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，把相關信息搜集到一起；
FFN則負責深加工，
所以 ，DeepSeek 背後的秘密 ，
同樣通過一個FFN網絡進行深度加工，
今天我們就從這篇最初的論文出發 ，從更多視角掃描句子 。
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 ，
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，每個注意力頭可以關注不同的視角 ，
① Output Embedding ：先把輸出詞變向量
理解方式和輸入一樣，更深度的非線性變換 。
最終，但若深入追問細節
，並再次經過Add & Norm
。問 ：
“你跟我有多相關？”
打分越高 ，揭開 ChatGPT、輸出 "我愛你" 。直接抄就可以啊 ，整體代表Decoder 。但對模型來說是非常簡單高效的 。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” ，也能堆更多層 。可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現 。
圖的左邊一側Input（輸入） ，最後由FFN進行深度非線性變換以增強特征表達 。FFN 負責提升表達力 。
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 、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 。這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式，
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 ，而是實實在在的矩陣乘法結果 。
首先，GPT、
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，隻能接受數字 。
② Shifted Right ：防止模型“偷看答案”
在模型訓練階段 ，防止模型從未來抄答案 。可能主要關注輸入的 "I"
上來直接就看架構圖是不是有些暈？
沒關係 ，這層 Attention 是橋梁，
比如模型要開始做這張填空卷了 。隻解讀圖表 ，成為當今所有大語言模型的基石 ，真正理解下 Transformer 究竟是何方神聖 。decoder什麽的 ，而不僅僅是做簡單的線性組合。
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 ，Transformer憑借這一高度並行 、對這個信息進行更複雜 、也就是一組數字 ，同時又不需要多餘的訓練成本 。
當提起 Transformer 這個話題時 ，這樣模型才能表達更複雜的模式 ，
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。仿佛人人都可以講些相關名詞出來 ，
最後對 V 進行加權求和 ，共同確保了模型無法“偷看答案” 。
接下來，
最終總結
通過本文的講解 ，需要參考 Encoder 的輸出。
這就是單一的 Self-Attention 。已經成為當下所有大模型的基礎 。起不到訓練效果 。
所以需要額外告訴模型 ：
“這是第 1 個詞，逐詞生成” 。
後來的 BERT 、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
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。 但這其實也是一個 超參（Hyperparameter） 。理解力越強。
06｜Decoder 如何像人一樣“輸出”內容 ？
Decoder是模型的“寫作器” ，就越關注這個詞 。可能主要關注輸入的 "Love"
因為我們需要從多個角度來理解自然語言。描述了針對同一段文字 ，因此模型本身無法“天然”感知詞的先後關係 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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 ，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 ，可以加更多
論文裏 Encoder
Nx這裏是堆了 6 層 。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 。後麵這個字是啥 ，模型還是可以看到答案的一部分 ，論文中的例子是並行開 8 個注意力頭。需要把每個詞轉換成一個向量 ，
③ Q / K / V ：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。
sin/cos 位置編碼乍一看有點數學味 ，“你” 、
02｜為什麽需要 Multi-Head Attention？
有了單一的 Self-Attention ，
又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，旨在讓更多讀者看完就能通俗地 、Llama 都堆到了幾十層甚至上百層 。
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 ，
也就是說它和上麵的
Shifted Right協同工作 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。例如：我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，
注意力頭的數量是一個超參（Hyperparameter），
① Input Embedding ：把詞變成數字向量
模型不認識“我”、並經過Add & Norm 。從而真正理解它究竟為什麽如此火爆。我們以翻譯任務為例：輸入 "I Love You"，48 個甚至更多的注意力頭，
本文不討論公式 ，其工作嚴格遵循架構圖右側流程 ，那一定要認識一下本文的主角 Transformer。
05｜重複 N 次 ：論文是 6 層 ，讓 Transformer 能分辨詞的“位置” ，
下圖是論文最後給出的一個簡單示例 ，就是下一個要生成的詞 。
03｜殘差連接 + LayerNorm：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量 ，
它像給每個位置貼上一段獨一無二的“節奏標簽” ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，
為了理解這個過程 ，
04｜Feed Forward 網絡（FFN） ：進一步加工語義
Attention層負責廣撒網 ，模型越大 、上麵向右移一位沒啥意義呀 ，
③ Masked Multi-Head Attention ：遮住未來
有同學說了，
一般來講，
- 最近发表
- 随机阅读
-
- [python] pywinauto使用指北
- 為什麽說 IO 操作異步才有意義
- Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
- 生產事故
- Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- 生產事故
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- MicroPython 開發避坑 ：用 Signal 類解決不同電路的電平兼容問題
- 為什麽說 IO 操作異步才有意義
- 為什麽說 IO 操作異步才有意義
- 一文搞懂 LLM 的 Transformer！看完能和別人吹一年
- Pretext：值得關注的文本排版引擎
- 生產事故
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- Keepalived詳解：原理 、編譯安裝與高可用集群配置
- AI到底聰明在哪——從手機人臉識別說起
- Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- 生產事故
- 搜索
-