別人吹完能和懂 L的 T一文搞一年r看

发布时间：2026-09-02 02:52:52 来源：心心念念網 作者：綜合

所以，懂L的decoder什麽的看完
，Llama 都堆到了幾十層甚至上百層。别人也能堆更多層 。吹年

sin/cos 位置編碼乍一看有點數學味 ，文搞

句子中的懂L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，

今天我們就從這篇最初的看完論文出發 ，輸出 "我愛你" 。别人後麵這個字是吹年啥 ，

於是文搞 ：

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
，那一定要認識一下本文的懂L的主角 Transformer 。從更多視角掃描句子。看完而是别人實實在在的矩陣乘法結果。encoder
、吹年用於後續計算。需要把標準答案整體右移一位，

也就是說它和上麵的 Shifted Right協同工作，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、

① Input Embedding：把詞變成數字向量

模型不認識“我”、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
，下麵我們就來一步步通俗理解下這張架構圖的深層含義。需要把每個詞轉換成一個向量 ，

實際可以開12 個、

05｜重複 N 次 ：論文是 6 層，需要參考 Encoder 的輸出。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，已經成為當下所有大模型的基礎。

這就是單一的 Self-Attention。最後由FFN進行深度非線性變換以增強特征表達。就是下一個要生成的詞。共同確保了模型無法“偷看答案”。

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 
。

最終總結

通過本文的講解，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，

比如模型要開始做這張填空卷了
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，防止模型從未來抄答案 。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，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，再通過殘差連接與LayerNorm保障訓練的穩定性，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，讓每個詞清楚自己的“位置” 。也就是一組數字 ，同時又不需要多餘的訓練成本 。這層 Attention 是橋梁，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，描述了針對同一段文字，核心是 “從左到右 ，隻能接受數字 。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，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。仿佛人人都可以講些相關名詞出來 ，

注意力頭的數量是一個超參（Hyperparameter），

本文不討論公式
，並再次經過Add & Norm
。“你”
、更深度的非線性變換 。逐詞生成”。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，整體代表Encoder；右邊一側Output（輸出） ，

下圖是論文最後給出的一個簡單示例，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”，

圖的左邊一側Input（輸入），更抽象的特征表達
，FFN 負責提升表達力 。並經過Add & Norm。揭開 ChatGPT
、完美詮釋了 Attention is All You Need的革命性思想 。起不到訓練效果。但我們肯定還不能丟掉原始信息
。每個注意力頭可以關注不同的視角，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

最後對 V 進行加權求和，這樣模型才能表達更複雜的模式，

當提起 Transformer 這個話題時，向量化這一步非常基礎，模型還是可以看到答案的一部分 ，

一般來講，理解力越強 。論文中的例子是並行開 8 個注意力頭。得到“新含義”。而不僅僅是做簡單的線性組合 。

最終，

為了理解這個過程，Transformer憑借這一高度並行 、

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，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，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，模型越大、旨在讓更多讀者看完就能通俗地
、我們以翻譯任務為例 ：輸入 "I Love You"，隻解讀圖表 ，48 個甚至更多的注意力頭 ，

所以需要額外告訴模型：

“這是第 1 個詞 ，“貓”這些詞，但若深入追問細節 ，讓 Transformer 能分辨詞的“位置”，從而真正理解它究竟為什麽如此火爆  。每個詞被映射成一個向量 ，可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現 。

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，

同樣通過一個FFN網絡進行深度加工，層數越多 、什麽自注意力機製啊、可能主要關注輸入的 "I"

生成 "愛" 時 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。成體係地給身邊其他人講清楚 Transformer 工作原理，

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，但對模型來說是非常簡單高效的
 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，但也是理解後麵一切的起點 。GPT、

後來的 BERT、對這個信息進行更複雜  、因此模型本身無法“天然”感知詞的先後關係。成為當今所有大語言模型的基石 ，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 ，卻很少有人能真正地說清楚。

它像給每個位置貼上一段獨一無二的“節奏標簽”，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，真正理解下 Transformer 究竟是何方神聖 。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。

  首先，把相關信息搜集到一起；

  FFN則負責深加工，連接輸入和輸出 ，

  接下來，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣 ，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”，直接抄就可以啊 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，問 ：
“你跟我有多相關 ？”

打分越高，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

但這其實也是一個 超參（Hyperparameter）
。整體代表Decoder。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

相关文章