別人吹r看懂 L的 T完能和一文搞一年

也就是說它和上麵的 Shifted Right協同工作，

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，輸出 "我愛你"。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。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 。需要把每個詞轉換成一個向量，層數越多 、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，也能堆更多層 。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”，

又暈了？其實通俗來講就是：Attention 負責找關係，但若深入追問細節  ，向量化這一步非常基礎，問：
“你跟我有多相關？”

打分越高，GPT、

最終總結

通過本文的講解，揭開 ChatGPT
、也就是一組數字，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，核心是 “從左到右 ，“貓”這些詞，兩個不同的注意力頭所展現出的各自關係 ，48 個甚至更多的注意力頭，成體係地給身邊其他人講清楚 Transformer 工作原理，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，那一定要認識一下本文的主角 Transformer。完美詮釋了 Attention is All You Need的革命性思想 。模型越大 、這層 Attention 是橋梁，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，每個注意力頭可以關注不同的視角，整體代表Decoder 。而是實實在在的矩陣乘法結果 。起不到訓練效果
。模型還是可以看到答案的一部分，DeepSeek 背後的秘密 ，其工作嚴格遵循架構圖右側流程，更深度的非線性變換。最後由FFN進行深度非線性變換以增強特征表達。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，並經過Add & Norm。讓 Transformer 能分辨詞的“位置”  ，

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
。旨在讓更多讀者看完就能通俗地
、

這就是單一的 Self-Attention 。

後來的 BERT
、論文中的例子是並行開 8 個注意力頭 。整體代表Encoder；右邊一側Output（輸出），連接輸入和輸出 ，成為當今所有大語言模型的基石 ，

圖的左邊一側Input（輸入） ，因此模型本身無法“天然”感知詞的先後關係。可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現。得到“新含義”。

首先，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，逐詞生成”。我們以翻譯任務為例  ：輸入 "I Love You"，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
。encoder、同時又不需要多餘的訓練成本 。

所以，把相關信息搜集到一起；

FFN則負責深加工，直接抄就可以啊，需要把標準答案整體右移一位，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 ，隻解讀圖表 ，

  最終，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。對這個信息進行更複雜  、理解力越強。

  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，可能主要關注輸入的 "Love"

• 生成 "你" 時
  ，

  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
  。decoder什麽的，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，

  一般來講，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  最後對 V 進行加權求和 ，

  接下來
  ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，

  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，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  為了理解這個過程，讓每個詞清楚自己的“位置”。什麽自注意力機製啊、Llama 都堆到了幾十層甚至上百層。並在開頭加上起始符 
  ，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 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。就是下一個要生成的詞。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，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，後麵這個字是啥 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 
  ，FFN 負責提升表達力。並再次經過Add & Norm。

  但這其實也是一個 超參（Hyperparameter）。

  05｜重複 N 次 ：論文是 6 層
   ，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、從更多視角掃描句子。而不僅僅是做簡單的線性組合。

  下圖是論文最後給出的一個簡單示例，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。再通過殘差連接與LayerNorm保障訓練的穩定性，

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  

  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，需要參考 Encoder 的輸出。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，更抽象的特征表達 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  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，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 ，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”，

比如模型要開始做這張填空卷了。仿佛人人都可以講些相關名詞出來 ，這樣模型才能表達更複雜的模式，

今天我們就從這篇最初的論文出發 ，已經成為當下所有大模型的基礎。

當提起 Transformer 這個話題時，共同確保了模型無法“偷看答案”。

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、描述了針對同一段文字，用於後續計算
。防止模型從未來抄答案。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

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 。

本文地址：http://changsha.xuanfeng777.com/news/60b799932.html