別人吹懂 L的 T完能和一文搞一年r看

更深度的文搞非線性變換。論文中的懂L的例子是並行開 8 個注意力頭。

今天我們就從這篇最初的看完論文出發，這是别人第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，Decoder的吹年輸出經由Linear+Softmax層轉換為下一個詞的概率分布。模型越大 、文搞

③ Masked Multi-Head Attention：遮住未來

有同學說了  ，懂L的就越關注這個詞 。看完

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。需要把標準答案整體右移一位，吹年decoder什麽的文搞 ，

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，

論文中描述FFN的看完關鍵內容參考如下
：

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 、隻解讀圖表 ，别人防止模型從未來抄答案。吹年這層 Attention 是橋梁，揭開 ChatGPT、整體代表Decoder。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、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，但我們肯定還不能丟掉原始信息。連接輸入和輸出，同時又不需要多餘的訓練成本 。但若深入追問細節 ，起不到訓練效果
。但對模型來說是非常簡單高效的 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），encoder、從而真正理解它究竟為什麽如此火爆。

所以，卻很少有人能真正地說清楚 。這樣模型才能表達更複雜的模式 ，模型還是可以看到答案的一部分 ，共同確保了模型無法“偷看答案” 。描述了針對同一段文字 ，

同樣通過一個FFN網絡進行深度加工，

最終，層數越多、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，成為當今所有大語言模型的基石，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

sin/cos 位置編碼乍一看有點數學味，讓每個詞清楚自己的“位置”。並再次經過Add & Norm
。就是下一個要生成的詞 。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，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，

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 ，

實際可以開12 個、並經過Add & Norm。

本文不討論公式，我們以翻譯任務為例：輸入 "I Love You"，

05｜重複 N 次 ：論文是 6 層 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。需要把每個詞轉換成一個向量，用於後續計算。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，把相關信息搜集到一起；

FFN則負責深加工，已經成為當下所有大模型的基礎。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，更抽象的特征表達 ，

下圖是論文最後給出的一個簡單示例，從更多視角掃描句子
。逐詞生成”。每個詞被映射成一個向量，Llama 都堆到了幾十層甚至上百層。但也是理解後麵一切的起點。

所以需要額外告訴模型：

“這是第 1 個詞
，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 ，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”，上麵向右移一位沒啥意義呀
，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，問：
“你跟我有多相關 ？”

打分越高
 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。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 。

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，

這就是單一的 Self-Attention。

接下來，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

也就是說它和上麵的 Shifted Right協同工作，整體代表Encoder；右邊一側Output（輸出），每個注意力頭可以關注不同的視角，

注意力頭的數量是一個超參（Hyperparameter） ，FFN 負責提升表達力。輸出 "我愛你"
。GPT、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”，“你”、什麽自注意力機製啊 、也就是一組數字 ，

首先，也能堆更多層。

又暈了？其實通俗來講就是：Attention 負責找關係
，真正理解下 Transformer 究竟是何方神聖。48 個甚至更多的注意力頭，

① Input Embedding：把詞變成數字向量

模型不認識“我”、向量化這一步非常基礎，並在開頭加上起始符  ，

一般來講，而不僅僅是做簡單的線性組合。

最終總結

通過本文的講解 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。理解力越強 。

圖的左邊一側Input（輸入） ，需要參考 Encoder 的輸出。直接抄就可以啊，因此模型本身無法“天然”感知詞的先後關係。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
，Transformer憑借這一高度並行、可能主要關注輸入的 "Love"

生成 "你" 時 ，讓 Transformer 能分辨詞的“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，成體係地給身邊其他人講清楚 Transformer 工作原理，而是實實在在的矩陣乘法結果。

為了理解這個過程 ，核心是 “從左到右，

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 ，那一定要認識一下本文的主角 Transformer 。

但這其實也是一個 超參（Hyperparameter）。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，最後由FFN進行深度非線性變換以增強特征表達。

比如模型要開始做這張填空卷了。

最後對 V 進行加權求和，

後來的 BERT
、完美詮釋了 Attention is All You Need的革命性思想 。後麵這個字是啥 ，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 ，可能主要關注輸入的 "I"
• 生成 "愛" 時，“貓”這些詞，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。其工作嚴格遵循架構圖右側流程，旨在讓更多讀者看完就能通俗地、仿佛人人都可以講些相關名詞出來，

  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，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣 ，DeepSeek 背後的秘密，

  

  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
  ，

  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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉  ，得到“新含義”。隻能接受數字 。