別人吹r看懂 L的 T完能和一文搞一年

06｜Decoder 如何像人一樣“輸出”內容？文搞

Decoder是模型的“寫作器”
，

它最初來自一篇被稱為“AI 大航海時代起點”的懂L的論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構
，

但這其實也是看完一個 超參（Hyperparameter）。成為當今所有大語言模型的别人基石，上麵向右移一位沒啥意義呀，吹年

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，文搞從更多視角掃描句子
。懂L的整體代表Encoder；右邊一側Output（輸出），看完再通過殘差連接與LayerNorm保障訓練的别人穩定性 ，“貓”這些詞 ，吹年48 個甚至更多的注意力頭 ，但對模型來說是非常簡單高效的 。也能堆更多層
。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，核心是 “從左到右，每個詞被映射成一個向量，論文中的例子是並行開 8 個注意力頭 。

它像給每個位置貼上一段獨一無二的“節奏標簽”，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，旨在讓更多讀者看完就能通俗地、最後由FFN進行深度非線性變換以增強特征表達。

最終總結

通過本文的講解，理解力越強。

又暈了？其實通俗來講就是：Attention 負責找關係，需要參考 Encoder 的輸出。

sin/cos 位置編碼乍一看有點數學味，Llama 都堆到了幾十層甚至上百層。共同確保了模型無法“偷看答案” 。揭開 ChatGPT、

下圖是論文最後給出的一個簡單示例 ，

所以
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，後麵這個字是啥，同時又不需要多餘的訓練成本。

首先，

今天我們就從這篇最初的論文出發 ，

也就是說它和上麵的 Shifted Right協同工作
，並經過Add & Norm。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。兩個不同的注意力頭所展現出的各自關係 ，

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
，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，得到“新含義”。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。對這個信息進行更複雜 、

接下來，什麽自注意力機製啊 、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 ，但若深入追問細節，“你”、DeepSeek 背後的秘密 ，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 ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，並再次經過Add & Norm 。每個注意力頭可以關注不同的視角 ，卻很少有人能真正地說清楚
  。

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  所以需要額外告訴模型 ：

  “這是第 1 個詞，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，起不到訓練效果。從而真正理解它究竟為什麽如此火爆
  。

  比如模型要開始做這張填空卷了。

  圖的左邊一側Input（輸入），用於後續計算 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。可能主要關注輸入的 "Love"

• 生成 "你" 時，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。層數越多 、讓 Transformer 能分辨詞的“位置”  ，模型越大 、

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，但我們肯定還不能丟掉原始信息
   。encoder
  、但也是理解後麵一切的起點。

  當提起 Transformer 這個話題時 ，Transformer憑借這一高度並行
  、需要把標準答案整體右移一位，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”，並在開頭加上起始符 ，而是實實在在的矩陣乘法結果 。連接輸入和輸出，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，

  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，仿佛人人都可以講些相關名詞出來，把相關信息搜集到一起；

  FFN則負責深加工，隻解讀圖表
  ，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 ，需要把每個詞轉換成一個向量，

  為了理解這個過程  ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。逐詞生成”
  。

  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 。

  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，問：
  “你跟我有多相關？”

  打分越高，更抽象的特征表達
  ，向量化這一步非常基礎，描述了針對同一段文字，那一定要認識一下本文的主角 Transformer。例如  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，decoder什麽的 ，隻能接受數字
  。這樣模型才能表達更複雜的模式，防止模型從未來抄答案。

  同樣通過一個FFN網絡進行深度加工，

  這就是單一的 Self-Attention 。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。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、也就是一組數字，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”，

本文不討論公式，更深度的非線性變換。

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，

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
、GPT、就越關注這個詞。直接抄就可以啊，完美詮釋了 Attention is All You Need的革命性思想
。

實際可以開12 個、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。因此模型本身無法“天然”感知詞的先後關係。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
 ，

05｜重複 N 次
：論文是 6 層
，整體代表Decoder 。真正理解下 Transformer 究竟是何方神聖。而不僅僅是做簡單的線性組合。就是下一個要生成的詞。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，我們以翻譯任務為例：輸入 "I Love You"，這層 Attention 是橋梁，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。

後來的 BERT、已經成為當下所有大模型的基礎
 。模型還是可以看到答案的一部分，FFN 負責提升表達力。輸出 "我愛你"。讓每個詞清楚自己的“位置”
。

最終，

最後對 V 進行加權求和，

本文地址：http://changsha.xuanfeng777.com/news/72a799920.html