別人吹r看懂 L的 T完能和一文搞一年

此時就需要 Masked Multi-Head Attention功能來遮住未預測的别人詞，就是吹年下一個要生成的詞 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，文搞

05｜重複 N 次 ：論文是 6 層 ，

它最初來自一篇被稱為“AI 大航海時代起點”的看完論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，但若深入追問細節，别人並在開頭加上起始符  ，吹年句子裏的文搞每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分”，

比如模型要開始做這張填空卷了。懂L的讓 Decoder 可以“請教 Encoder”：

“你生成的看完詞和輸入序列的哪些部分相關
？”

例如翻譯 "I Love You" ：

• 生成 "我" 時，我們以翻譯任務為例：輸入 "I Love You"，别人已經成為當下所有大模型的吹年基礎
  。

  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，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  最終，整體代表Decoder
  。卻很少有人能真正地說清楚。用於後續計算。decoder什麽的
  ，因此模型本身無法“天然”感知詞的先後關係 。

  同樣通過一個FFN網絡進行深度加工，

  最後對 V 進行加權求和 ，

  但這其實也是一個 超參（Hyperparameter）。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。GPT、

  首先
  ，兩個不同的注意力頭所展現出的各自關係 ，

  最終總結

  通過本文的講解，得到“新含義”。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，encoder、更抽象的特征表達 ，但對模型來說是非常簡單高效的 。描述了針對同一段文字
  ，

  接下來，

  下圖是論文最後給出的一個簡單示例，這樣模型才能表達更複雜的模式，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。問：
  “你跟我有多相關？”

  打分越高，論文中的例子是並行開 8 個注意力頭。可能主要關注輸入的 "Love"

• 生成 "你" 時，

  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，直接抄就可以啊 ，“你”、對這個信息進行更複雜、“貓”這些詞，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。FFN 負責提升表達力
  。每個注意力頭可以關注不同的視角，

  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  ，這層 Attention 是橋梁，整體代表Encoder；右邊一側Output（輸出），讓每個詞清楚自己的“位置”。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，

  

  sin/cos 位置編碼乍一看有點數學味，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
  ，

  實際可以開12 個
  、並再次經過Add & Norm。

  

  注意力頭的數量是一個超參（Hyperparameter），而不僅僅是做簡單的線性組合。模型還是可以看到答案的一部分，模型越大 、

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，那一定要認識一下本文的主角 Transformer。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，旨在讓更多讀者看完就能通俗地、每個詞被映射成一個向量，連接輸入和輸出，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  為了理解這個過程，從更多視角掃描句子。而是實實在在的矩陣乘法結果
  。什麽自注意力機製啊
  、但我們肯定還不能丟掉原始信息。

  當提起 Transformer 這個話題時 ，後麵這個字是啥
  ，隻解讀圖表 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，從而真正理解它究竟為什麽如此火爆。更深度的非線性變換。仿佛人人都可以講些相關名詞出來，也能堆更多層 。下麵我們就來一步步通俗理解下這張架構圖的深層含義。需要把標準答案整體右移一位 ，同時又不需要多餘的訓練成本。需要把每個詞轉換成一個向量 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
  ，防止模型從未來抄答案 。

  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
  ，其工作嚴格遵循架構圖右側流程，

  所以需要額外告訴模型：

  “這是第 1 個詞
  ，DeepSeek 背後的秘密 ，起不到訓練效果。成為當今所有大語言模型的基石，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，向量化這一步非常基礎，Llama 都堆到了幾十層甚至上百層 。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”，

這就是單一的 Self-Attention 。上麵向右移一位沒啥意義呀，

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，理解力越強。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

圖的左邊一側Input（輸入），最後由FFN進行深度非線性變換以增強特征表達。共同確保了模型無法“偷看答案”。讓 Transformer 能分辨詞的“位置”，揭開 ChatGPT、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 ，就越關注這個詞。逐詞生成” 。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，但也是理解後麵一切的起點 。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 ，

今天我們就從這篇最初的論文出發，並經過Add & Norm
。

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。也就是一組數字，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、完美詮釋了 Attention is All You Need的革命性思想 。

後來的 BERT、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

所以，

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、

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

也就是說它和上麵的 Shifted Right協同工作 ，核心是 “從左到右，Transformer憑借這一高度並行、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 ，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
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，真正理解下 Transformer 究竟是何方神聖。層數越多 、

本文不討論公式，隻能接受數字
 。輸出 "我愛你"。需要參考 Encoder 的輸出
。把相關信息搜集到一起；

FFN則負責深加工，

一般來講
，