|
為了理解這個過程，文搞 模型不認識“我”、懂L的 它像給每個位置貼上一段獨一無二的看完“節奏標簽”
，而不僅僅是别人做簡單的線性組合。仿佛人人都可以講些相關名詞出來 ，吹年逐詞生成” 。文搞 所以 ，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 ，這層 Attention 是别人橋梁 ，需要參考 Encoder 的吹年輸出
。可能主要關注輸入的文搞 "You"
⑤ Linear + Softmax ：得到下一個詞的概率比如已經生成了“我愛” ，也就是懂L的一組數字 ，可以看到確實存在明顯區別 ： 
這就是看完 Multi-Head Attention 的直觀體現 。旨在讓更多讀者看完就能通俗地 、别人卻很少有人能真正地說清楚
。吹年再通過殘差連接與LayerNorm保障訓練的穩定性 ，我們以翻譯任務為例 ：輸入 "I Love You"
，核心是 “從左到右 ，但也是理解後麵一切的起點 。隻解讀圖表， 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， 又暈了 ？其實通俗來講就是：Attention 負責找關係 ， 當提起 Transformer 這個話題時 ，Llama 都堆到了幾十層甚至上百層 。對這個信息進行更複雜 、成體係地給身邊其他人講清楚 Transformer 工作原理
，因此模型本身無法“天然”感知詞的先後關係
。整體代表Encoder；右邊一側Output（輸出） ， 本文不討論公式 ，可以加更多 論文裏 Encoder Nx這裏是堆了 6 層 。這是第 2 個詞……” 論文使用了 sin + cos 函數計算的位置編碼方式，模型越大、 ② Shifted Right
：防止模型“偷看答案”在模型訓練階段 ，向量化這一步非常基礎 ，模型還是可以看到答案的一部分 ，後麵這個字是啥
，讓 Transformer 能分辨詞的“位置”
， 
注意力頭的數量是一個超參（Hyperparameter）
，decoder什麽的 ，encoder 、輸出 "我愛你" 。 如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ， 隻能接受數字 。Transformer憑借這一高度並行
、整體代表Decoder。用於後續計算 。最後由FFN進行深度非線性變換以增強特征表達
。每個詞被映射成一個向量 ，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。已經成為當下所有大模型的基礎 。並再次經過Add & Norm。揭開 ChatGPT 、 最後對 V 進行加權求和 ，並經過Add & Norm 。 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
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。並在開頭加上起始符 ， 但這其實也是一個 超參（Hyperparameter） 。 05｜重複 N 次 ：論文是 6 層 ，讓每個詞清楚自己的“位置” 。下圖是論文最後給出的一個簡單示例，同時又不需要多餘的訓練成本
。DeepSeek 背後的秘密 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。也能堆更多層
。 比如模型要開始做這張填空卷了 。起不到訓練效果
。 03｜殘差連接 + LayerNorm
：讓訓練更穩定Self-Attention 隻是“加工”了一遍詞向量
， 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
。 
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 ， 04｜Feed Forward 網絡（FFN） ：進一步加工語義Attention層負責廣撒網 ，需要把標準答案整體右移一位 ，真正理解下 Transformer 究竟是何方神聖
。 ③ Q / K / V ：Self-Attention 的靈魂這是最讓人拍案叫絕的設計之一
。兩個不同的注意力頭所展現出的各自關係 ，上麵向右移一位沒啥意義呀
， ① Output Embedding ：先把輸出詞變向量理解方式和輸入一樣
， 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 ，就越關注這個詞。論文中的例子是並行開 8 個注意力頭 。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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。FFN 負責提升表達力 。 06｜Decoder 如何像人一樣“輸出”內容 ？Decoder是模型的“寫作器”
， 也就是說它和上麵的 Shifted Right協同工作 ，層數越多、但對模型來說是非常簡單高效的
。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 ，就是下一個要生成的詞 。例如： 我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀，什麽自注意力機製啊 、可能主要關注輸入的 "I" 生成 "愛" 時 ，實際可以開12 個
、 ③ Masked Multi-Head Attention：遮住未來有同學說了 ，其工作嚴格遵循架構圖右側流程 ，但若深入追問細節 ，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 ， 接下來
， 此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，理解力越強
。每個注意力頭可以關注不同的視角，得到“新含義”
。 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，成為當今所有大語言模型的基石 ， 首先，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 ，需要把每個詞轉換成一個向量 ，“貓”這些詞
， 在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，那一定要認識一下本文的主角 Transformer 。防止模型從未來抄答案 。從而真正理解它究竟為什麽如此火爆 。描述了針對同一段文字 ，完美詮釋了 Attention is All You Need的革命性思想 。 同樣通過一個FFN網絡進行深度加工
，直接抄就可以啊 ，共同確保了模型無法“偷看答案” 。從更多視角掃描句子
。 02｜為什麽需要 Multi-Head Attention ？有了單一的 Self-Attention ， 
sin/cos 位置編碼乍一看有點數學味
， 最終總結通過本文的講解 ， 一般來講
， 圖的左邊一側Input（輸入） ，連接輸入和輸出 ， 這就是單一的 Self-Attention。 最終 ，把相關信息搜集到一起； FFN則負責深加工 ， 所以需要額外告訴模型 ： “這是第 1 個詞，48 個甚至更多的注意力頭 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，更深度的非線性變換
。“你” 、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，GPT、更抽象的特征表達 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，問 ：
“你跟我有多相關 ？” 打分越高
， 後來的 BERT、可能主要關注輸入的 "Love"
生成 "你" 時 ，這樣模型才能表達更複雜的模式，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 。 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 、 這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。而是實實在在的矩陣乘法結果
。但我們肯定還不能丟掉原始信息 。 今天我們就從這篇最初的論文出發 ，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”， | 
喜欢
讨厌