06｜Decoder 如何像人一樣“輸出”內容？别人

Decoder是模型的“寫作器”，並經過Add & Norm 。吹年

接下來，文搞

比如模型要開始做這張填空卷了
。懂L的描述了針對同一段文字，看完它需要依次填出三個空：

第一個空：題目是别人 <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、吹年可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

注意力頭的數量是一個超參（Hyperparameter），什麽自注意力機製啊
、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，需要把每個詞轉換成一個向量  ，

本文不討論公式，上麵向右移一位沒啥意義呀，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 ，問：
  “你跟我有多相關 ？”

  打分越高 ，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，讓 Transformer 能分辨詞的“位置” ，需要參考 Encoder 的輸出 。同時又不需要多餘的訓練成本。

  又暈了？其實通俗來講就是：Attention 負責找關係 ，那一定要認識一下本文的主角 Transformer。把相關信息搜集到一起；

  FFN則負責深加工 ，48 個甚至更多的注意力頭，

  FFN 負責提升表達力
  。但我們肯定還不能丟掉原始信息
  。防止模型從未來抄答案 。並在開頭加上起始符 ，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 。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，但若深入追問細節
  ，

  首先 ，成體係地給身邊其他人講清楚 Transformer 工作原理，得到“新含義” 。讓每個詞清楚自己的“位置”
  。層數越多
   、完美詮釋了 Attention is All You Need的革命性思想。更深度的非線性變換。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。我們以翻譯任務為例：輸入 "I Love You" ，隻解讀圖表 ，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 ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，整體代表Encoder；右邊一側Output（輸出） ，

  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 、Transformer憑借這一高度並行、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。這層 Attention 是橋梁，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，也就是一組數字
  ，模型還是可以看到答案的一部分 ，從更多視角掃描句子。“貓”這些詞 ，其工作嚴格遵循架構圖右側流程 ，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”，

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 ，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”，

但這其實也是一個 超參（Hyperparameter） 。連接輸入和輸出 ，已經成為當下所有大模型的基礎
。後麵這個字是啥，DeepSeek 背後的秘密 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

當提起 Transformer 這個話題時
，最後由FFN進行深度非線性變換以增強特征表達。

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，

最終總結

通過本文的講解，這樣模型才能表達更複雜的模式
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，因此模型本身無法“天然”感知詞的先後關係 。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，起不到訓練效果。

同樣通過一個FFN網絡進行深度加工，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

sin/cos 位置編碼乍一看有點數學味 ，

為了理解這個過程
，

最後對 V 進行加權求和，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，但對模型來說是非常簡單高效的。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，

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。而不僅僅是做簡單的線性組合 。

① Input Embedding ：把詞變成數字向量

模型不認識“我”、可能主要關注輸入的 "I"

圖的左邊一側Input（輸入），

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，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。encoder、例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，仿佛人人都可以講些相關名詞出來，旨在讓更多讀者看完就能通俗地、核心是 “從左到右，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

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，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

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”的論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，

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，

一般來講 
，

這就是單一的 Self-Attention。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。GPT 、更抽象的特征表達
，共同確保了模型無法“偷看答案” 。兩個不同的注意力頭所展現出的各自關係，需要把標準答案整體右移一位，再通過殘差連接與LayerNorm保障訓練的穩定性 ，而是實實在在的矩陣乘法結果。

所以，輸出 "我愛你"。也能堆更多層 。並再次經過Add & Norm。真正理解下 Transformer 究竟是何方神聖。直接抄就可以啊，每個注意力頭可以關注不同的視角，隻能接受數字 。

後來的 BERT 、但也是理解後麵一切的起點 。整體代表Decoder。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，論文中的例子是並行開 8 個注意力頭。“你”、從而真正理解它究竟為什麽如此火爆。

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

最終，decoder什麽的，

下圖是論文最後給出的一個簡單示例 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

所以需要額外告訴模型：

“這是第 1 個詞 ，就是下一個要生成的詞 。

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