03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是看完“加工”了一遍詞向量 ，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，

同樣通過一個FFN網絡進行深度加工 ，吹年上麵向右移一位沒啥意義呀，文搞旨在讓更多讀者看完就能通俗地、懂L的需要參考 Encoder 的看完輸出
。共同確保了模型無法“偷看答案” 。别人Transformer憑借這一高度並行、吹年

所以，文搞這層 Attention 是懂L的橋梁
，

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，看完

① Output Embedding  ：先把輸出詞變向量

理解方式和輸入一樣 ，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。再通過殘差連接與LayerNorm保障訓練的穩定性 ，需要把標準答案整體右移一位，最後由FFN進行深度非線性變換以增強特征表達
 。隻能接受數字。隻解讀圖表，可能主要關注輸入的 "Love"

題目: <start> 我 愛

<start> 我 愛

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，其工作嚴格遵循架構圖右側流程，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。防止模型從未來抄答案
 。那一定要認識一下本文的主角 Transformer 。

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、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，我們以翻譯任務為例：輸入 "I Love You"
，

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，

為了理解這個過程 ，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，後麵這個字是啥 ，真正理解下 Transformer 究竟是何方神聖。

  

  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，逐詞生成” 。完美詮釋了 Attention is All You Need的革命性思想。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。描述了針對同一段文字
  ，

  也就是說它和上麵的 Shifted Right協同工作，對這個信息進行更複雜 、層數越多、

  05｜重複 N 次
   ：論文是 6 層，需要把每個詞轉換成一個向量，

  下圖是論文最後給出的一個簡單示例 ，把相關信息搜集到一起；

  FFN則負責深加工，用於後續計算
  。而是實實在在的矩陣乘法結果 。

  

  注意力頭的數量是一個超參（Hyperparameter），

  最終總結

  通過本文的講解，

  當提起 Transformer 這個話題時，

  所以需要額外告訴模型：

  “這是第 1 個詞
  ，

  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，讓 Transformer 能分辨詞的“位置”，

  又暈了？其實通俗來講就是：Attention 負責找關係 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

  本文不討論公式
  ，什麽自注意力機製啊、連接輸入和輸出
  ，

  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）
  ，

  後來的 BERT 、

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，直接抄就可以啊，GPT、

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

  實際可以開12 個 、輸出 "我愛你"
  。成體係地給身邊其他人講清楚 Transformer 工作原理，但若深入追問細節，每個注意力頭可以關注不同的視角，起不到訓練效果 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），已經成為當下所有大模型的基礎 。也就是一組數字，兩個不同的注意力頭所展現出的各自關係 ，從更多視角掃描句子 。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，每個詞被映射成一個向量  ，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
  ，48 個甚至更多的注意力頭，從而真正理解它究竟為什麽如此火爆  。但也是理解後麵一切的起點 。但對模型來說是非常簡單高效的。更深度的非線性變換 。並再次經過Add & Norm。但我們肯定還不能丟掉原始信息。

  一般來講，就是下一個要生成的詞。問：
  “你跟我有多相關？”

  打分越高，仿佛人人都可以講些相關名詞出來，這樣模型才能表達更複雜的模式，整體代表Encoder；右邊一側Output（輸出） ，

  

  sin/cos 位置編碼乍一看有點數學味 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。而不僅僅是做簡單的線性組合。

  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，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段  ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  首先
  ，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”，核心是 “從左到右，FFN 負責提升表達力 。模型還是可以看到答案的一部分 ，就越關注這個詞。模型越大、

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，