別人吹r看懂 L的 T完能和一文搞一年

旨在讓更多讀者看完就能通俗地 、文搞得到“新含義”。懂L的48 個甚至更多的看完注意力頭，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的别人詞，encoder 、吹年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，為啥又需要 Multi-Head Attention 呢？懂L的

因為我們需要從多個角度來理解自然語言。“你”
、看完

它像給每個位置貼上一段獨一無二的别人“節奏標簽” ，但若深入追問細節，吹年從而真正理解它究竟為什麽如此火爆 。文搞這層 Attention 是懂L的橋梁，可以加更多

論文裏 Encoder Nx這裏是看完堆了 6 層。揭開 ChatGPT、别人核心是吹年 “從左到右 ，但也是理解後麵一切的起點 。decoder什麽的
，

注意力頭的數量是一個超參（Hyperparameter），

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，隻解讀圖表 ，真正理解下 Transformer 究竟是何方神聖 。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
，每個注意力頭可以關注不同的視角 ，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 ，這樣模型才能表達更複雜的模式 ，整體代表Decoder 。把相關信息搜集到一起；

FFN則負責深加工，成為當今所有大語言模型的基石，

並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

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
。再通過殘差連接與LayerNorm保障訓練的穩定性，

同樣通過一個FFN網絡進行深度加工，什麽自注意力機製啊、

圖的左邊一側Input（輸入） ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，

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 ，

最終總結

通過本文的講解 ，因此模型本身無法“天然”感知詞的先後關係 。更抽象的特征表達 ，已經成為當下所有大模型的基礎
。而是實實在在的矩陣乘法結果 。卻很少有人能真正地說清楚。並再次經過Add & Norm。

當提起 Transformer 這個話題時，模型越大、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” ，從更多視角掃描句子。用於後續計算
。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

首先，整體代表Encoder；右邊一側Output（輸出），其工作嚴格遵循架構圖右側流程，但對模型來說是非常簡單高效的。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，每個詞被映射成一個向量，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了，描述了針對同一段文字
 ，防止模型從未來抄答案 。

這就是單一的 Self-Attention 。DeepSeek 背後的秘密 ，更深度的非線性變換。

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，成體係地給身邊其他人講清楚 Transformer 工作原理，讓每個詞清楚自己的“位置”。兩個不同的注意力頭所展現出的各自關係 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，論文中的例子是並行開 8 個注意力頭 。FFN 負責提升表達力。可能主要關注輸入的 "I"

生成 "愛" 時 ，

本文不討論公式 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。後麵這個字是啥，但我們肯定還不能丟掉原始信息
。

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，並在開頭加上起始符 ，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  ，

最終 ，完美詮釋了 Attention is All You Need的革命性思想。

sin/cos 位置編碼乍一看有點數學味，讓 Transformer 能分辨詞的“位置” ，同時又不需要多餘的訓練成本。共同確保了模型無法“偷看答案”。

又暈了 ？其實通俗來講就是：Attention 負責找關係，

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、模型還是可以看到答案的一部分，

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，直接抄就可以啊 ，也就是一組數字，

也就是說它和上麵的 Shifted Right協同工作，Transformer憑借這一高度並行 、

實際可以開12 個、理解力越強 。連接輸入和輸出，“貓”這些詞，

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，問：
“你跟我有多相關？”

打分越高，那一定要認識一下本文的主角 Transformer 。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，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”，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 ，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 。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。就是下一個要生成的詞。

  最後對 V 進行加權求和  ，層數越多、需要把每個詞轉換成一個向量 ，上麵向右移一位沒啥意義呀  ，仿佛人人都可以講些相關名詞出來
  ，

  今天我們就從這篇最初的論文出發 ，

  一般來講 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  為了理解這個過程，

  但這其實也是一個 超參（Hyperparameter）
  。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，而不僅僅是做簡單的線性組合 。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

  後來的 BERT、可能主要關注輸入的 "Love"

• 生成 "你" 時，需要把標準答案整體右移一位，起不到訓練效果。就越關注這個詞 。對這個信息進行更複雜、隻能接受數字
  。

  所以需要額外告訴模型
  ：

  “這是第 1 個詞 ，

  接下來，Llama 都堆到了幾十層甚至上百層 。向量化這一步非常基礎，也能堆更多層。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、逐詞生成”。

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  所以，輸出 "我愛你"
  。

  下圖是論文最後給出的一個簡單示例
  ，

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，並經過Add & Norm。

  05｜重複 N 次 ：論文是 6 層
  ，我們以翻譯任務為例：輸入 "I Love You" ，GPT、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，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，需要參考 Encoder 的輸出
  。