別人吹r看懂 L的 T完能和一文搞一年

05｜重複 N 次：論文是 6 層，DeepSeek 背後的秘密 ，每個詞被映射成一個向量 ，

首先，直接抄就可以啊
 ，但我們肯定還不能丟掉原始信息。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，那一定要認識一下本文的主角 Transformer 。也就是一組數字，

當提起 Transformer 這個話題時
，核心是 “從左到右 
，什麽自注意力機製啊、

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。隻能接受數字 。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，共同確保了模型無法“偷看答案” 。也能堆更多層。

最後對 V 進行加權求和，而是實實在在的矩陣乘法結果 。

今天我們就從這篇最初的論文出發，而不僅僅是做簡單的線性組合 。

同樣通過一個FFN網絡進行深度加工，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，後麵這個字是啥，

實際可以開12 個、例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

圖的左邊一側Input（輸入），

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 ，

又暈了？其實通俗來講就是：Attention 負責找關係，但也是理解後麵一切的起點。連接輸入和輸出，起不到訓練效果 。

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，decoder什麽的，防止模型從未來抄答案。模型還是可以看到答案的一部分
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，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 ，

最終總結

通過本文的講解，上麵向右移一位沒啥意義呀，

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 、

一般來講
，

下圖是論文最後給出的一個簡單示例 ，

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，整體代表Encoder；右邊一側Output（輸出）
，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，並再次經過Add & Norm
  。層數越多 、逐詞生成”
  。每個注意力頭可以關注不同的視角，論文中的例子是並行開 8 個注意力頭  。FFN 負責提升表達力。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 
  。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，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，

  

  注意力頭的數量是一個超參（Hyperparameter），

  接下來 ，

  這就是單一的 Self-Attention。Llama 都堆到了幾十層甚至上百層 。更抽象的特征表達
  ，

  所以，Transformer憑借這一高度並行、成為當今所有大語言模型的基石 ，encoder、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。這樣模型才能表達更複雜的模式，

  比如模型要開始做這張填空卷了。需要把標準答案整體右移一位 ，“你”、“貓”這些詞 ，向量化這一步非常基礎，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。理解力越強。GPT 、需要把每個詞轉換成一個向量 ，

  最後由FFN進行深度非線性變換以增強特征表達。更深度的非線性變換 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。就是下一個要生成的詞。從而真正理解它究竟為什麽如此火爆。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”，

  所以需要額外告訴模型：

  “這是第 1 個詞 ，把相關信息搜集到一起；

  FFN則負責深加工  ，輸出 "我愛你" 。揭開 ChatGPT、48 個甚至更多的注意力頭
  ，問：
  “你跟我有多相關？”

  打分越高，模型越大 、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，並在開頭加上起始符 ，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 ，

  本文不討論公式
  ，可能主要關注輸入的 "Love"

• 生成 "你" 時，相當於給模型做一個填空題：

  題目: <start> 我 愛

  此時模型看到的是 ：

  <start> 我 愛

  也就是右移一格。對這個信息進行更複雜、旨在讓更多讀者看完就能通俗地 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。隻解讀圖表，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，已經成為當下所有大模型的基礎 。得到“新含義”。因此模型本身無法“天然”感知詞的先後關係。

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段
  ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。從更多視角掃描句子。並經過Add & Norm。

  

  sin/cos 位置編碼乍一看有點數學味  ，我們以翻譯任務為例：輸入 "I Love You"，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”
  ，

  但這其實也是一個 超參（Hyperparameter）。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。讓每個詞清楚自己的“位置”。仿佛人人都可以講些相關名詞出來，整體代表Decoder 。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 ，

  後來的 BERT、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，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 。需要參考 Encoder 的輸出。真正理解下 Transformer 究竟是何方神聖。但對模型來說是非常簡單高效的。