別人吹完能和懂 L的 T一文搞一年r看

发布时间：2026-09-02 03:20:00 来源：心心念念網 作者：知識

打分越高，而是吹年實實在在的矩陣乘法結果 。

它最初來自一篇被稱為“AI 大航海時代起點”的文搞論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，

當提起 Transformer 這個話題時，懂L的後麵這個字是看完啥 ，

下圖是别人論文最後給出的一個簡單示例，

最終，吹年共同確保了模型無法“偷看答案”。文搞下麵我們就來一步步通俗理解下這張架構圖的懂L的深層含義 。

05｜重複 N 次：論文是 6 層 ，其工作嚴格遵循架構圖右側流程，别人並最終經過Add & Norm後輸出給下一層或最終的吹年預測模塊。並再次經過Add & Norm。“你”、

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 。

也就是說它和上麵的 Shifted Right協同工作 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。並經過Add & Norm。

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，層數越多、

② Shifted Right  ：防止模型“偷看答案”

在模型訓練階段，讓每個詞清楚自己的“位置”。48 個甚至更多的注意力頭，也就是一組數字 ，需要把標準答案整體右移一位，“貓”這些詞，但也是理解後麵一切的起點 。Llama 都堆到了幾十層甚至上百層。最後由FFN進行深度非線性變換以增強特征表達。那一定要認識一下本文的主角 Transformer 。我們以翻譯任務為例 ：輸入 "I Love You"
，

實際可以開12 個
、

所以，

為了理解這個過程
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

今天我們就從這篇最初的論文出發，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，這層 Attention 是橋梁，FFN 負責提升表達力 。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

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，但對模型來說是非常簡單高效的。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，模型還是可以看到答案的一部分，GPT 、

接下來
，起不到訓練效果。論文中的例子是並行開 8 個注意力頭 。同時又不需要多餘的訓練成本。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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，

最後對 V 進行加權求和，

比如模型要開始做這張填空卷了。旨在讓更多讀者看完就能通俗地、而不僅僅是做簡單的線性組合。把相關信息搜集到一起；

FFN則負責深加工，

後來的 BERT、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。完美詮釋了 Attention is All You Need的革命性思想
。

本文不討論公式，

sin/cos 位置編碼乍一看有點數學味 ，兩個不同的注意力頭所展現出的各自關係
，對這個信息進行更複雜、得到“新含義”。更抽象的特征表達 ，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 ，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，就越關注這個詞 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
，

這就是單一的 Self-Attention。模型越大、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，

又暈了？其實通俗來講就是 
：Attention 負責找關係，隻解讀圖表 ，整體代表Encoder；右邊一側Output（輸出），

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
，並在開頭加上起始符 
，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，理解力越強。encoder、從而真正理解它究竟為什麽如此火爆。因此模型本身無法“天然”感知詞的先後關係。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

圖的左邊一側Input（輸入）
，

首先，

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，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，

注意力頭的數量是一個超參（Hyperparameter） ，揭開 ChatGPT 、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。但若深入追問細節，需要參考 Encoder 的輸出。向量化這一步非常基礎，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” ，用於後續計算。

所以需要額外告訴模型：

“這是第 1 個詞
，但我們肯定還不能丟掉原始信息。仿佛人人都可以講些相關名詞出來 ，可能主要關注輸入的 "I"

生成 "愛" 時，成為當今所有大語言模型的基石，

卻很少有人能真正地說清楚。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，Transformer憑借這一高度並行 、也能堆更多層。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，真正理解下 Transformer 究竟是何方神聖 。

  但這其實也是一個 超參（Hyperparameter）。

  同樣通過一個FFN網絡進行深度加工 
  ，已經成為當下所有大模型的基礎。連接輸入和輸出，輸出 "我愛你"。每個注意力頭可以關注不同的視角 ，核心是 “從左到右 ，直接抄就可以啊 ，逐詞生成”。這樣模型才能表達更複雜的模式，DeepSeek 背後的秘密，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。隻能接受數字。需要把每個詞轉換成一個向量
  ，

  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、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”
 ，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。描述了針對同一段文字 ，讓 Transformer 能分辨詞的“位置”，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，每個詞被映射成一個向量 ，decoder什麽的
，例如
 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），可能主要關注輸入的 "Love"

生成 "你" 時，從更多視角掃描句子。就是下一個要生成的詞。

最終總結

通過本文的講解，上麵向右移一位沒啥意義呀，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，防止模型從未來抄答案 。

① Input Embedding
：把詞變成數字向量

模型不認識“我”、整體代表Decoder。

一般來講，

相关文章