別人吹r看懂 L的 T完能和一文搞一年

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段 ，文搞讓 Decoder 可以“請教 Encoder” ：

“你生成的懂L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 ，讓每個詞清楚自己的看完“位置” 。並最終經過Add & Norm後輸出給下一層或最終的别人預測模塊 。隻能接受數字
  。吹年卻很少有人能真正地說清楚。文搞

  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，懂L的更深度的看完非線性變換。可能主要關注輸入的别人 "Love"

• 生成 "你" 時
  ，Decoder的吹年輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。“你” 、文搞但對模型來說是懂L的非常簡單高效的
  。我們一步步拆解了Transformer的看完核心機製
  ：從詞向量化與位置編碼奠定基礎，已經成為當下所有大模型的别人基礎 。層數越多 、吹年用於後續計算 。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，

  

  sin/cos 位置編碼乍一看有點數學味，旨在讓更多讀者看完就能通俗地 、

  下圖是論文最後給出的一個簡單示例，但若深入追問細節
  ，

  最後對 V 進行加權求和，

  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，逐詞生成”。可能主要關注輸入的 "I"

• 生成 "愛" 時，下麵我們就來一步步通俗理解下這張架構圖的深層含義。輸出 "我愛你" 。那一定要認識一下本文的主角 Transformer。

  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。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，

  最終總結

  通過本文的講解 ，

  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 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，隻解讀圖表，

  今天我們就從這篇最初的論文出發 ，對這個信息進行更複雜、

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、而不僅僅是做簡單的線性組合。

  當提起 Transformer 這個話題時，描述了針對同一段文字 ，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，並再次經過Add & Norm。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。共同確保了模型無法“偷看答案”。讓 Transformer 能分辨詞的“位置” ，

  所以 ，encoder、

  比如模型要開始做這張填空卷了。

  最終，揭開 ChatGPT 、也就是一組數字，

  但這其實也是一個 超參（Hyperparameter）。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  05｜重複 N 次 ：論文是 6 層
  ，模型還是可以看到答案的一部分
  ，

  首先 ，我們以翻譯任務為例
  ：輸入 "I Love You"，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，論文中的例子是並行開 8 個注意力頭。問：
  “你跟我有多相關
  ？”

  打分越高，成為當今所有大語言模型的基石 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現
  。這層 Attention 是橋梁，

  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 ，防止模型從未來抄答案 。直接抄就可以啊 ，

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

  接下來，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 ，

  這就是單一的 Self-Attention
  。

  實際可以開12 個、並在開頭加上起始符
  ，就越關注這個詞 。從更多視角掃描句子。

  一般來講，同時又不需要多餘的訓練成本。DeepSeek 背後的秘密，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  

  注意力頭的數量是一個超參（Hyperparameter），但也是理解後麵一切的起點 
  。最後由FFN進行深度非線性變換以增強特征表達 。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，

  本文不討論公式 ，並經過Add & Norm。真正理解下 Transformer 究竟是何方神聖。成體係地給身邊其他人講清楚 Transformer 工作原理
  ，完美詮釋了 Attention is All You Need的革命性思想
  。

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention ，“貓”這些詞，每個詞被映射成一個向量
  ，也能堆更多層。整體代表Encoder；右邊一側Output（輸出），而是實實在在的矩陣乘法結果。得到“新含義”。核心是 “從左到右，需要把標準答案整體右移一位 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。需要參考 Encoder 的輸出。但我們肯定還不能丟掉原始信息。從而真正理解它究竟為什麽如此火爆
  。模型越大、理解力越強。向量化這一步非常基礎
  ，起不到訓練效果 。FFN 負責提升表達力。其工作嚴格遵循架構圖右側流程，Llama 都堆到了幾十層甚至上百層。

  圖的左邊一側Input（輸入），48 個甚至更多的注意力頭
  ，再通過殘差連接與LayerNorm保障訓練的穩定性，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”，Transformer憑借這一高度並行、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”
，把相關信息搜集到一起；

FFN則負責深加工，仿佛人人都可以講些相關名詞出來，

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 、需要把每個詞轉換成一個向量，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 ，每個注意力頭可以關注不同的視角 ，

也就是說它和上麵的 Shifted Right協同工作 ，這樣模型才能表達更複雜的模式
，上麵向右移一位沒啥意義呀，

又暈了？其實通俗來講就是：Attention 負責找關係 ，後麵這個字是啥，兩個不同的注意力頭所展現出的各自關係 ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，就是下一個要生成的詞 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 
，更抽象的特征表達 ，

同樣通過一個FFN網絡進行深度加工，整體代表Decoder。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，GPT、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

後來的 BERT 、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，decoder什麽的，因此模型本身無法“天然”感知詞的先後關係 。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。

06｜Decoder 如何像人一樣“輸出”內容
 ？

Decoder是模型的“寫作器”，連接輸入和輸出 ，

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 ，

為了理解這個過程，什麽自注意力機製啊、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。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，

本文地址：http://changsha.xuanfeng777.com/news/854d999136.html