|
實際可以開12 個 、文搞可能主要關注輸入的懂L的 "You" ⑤ Linear + Softmax ：得到下一個詞的概率比如已經生成了“我愛” ，而不僅僅是看完做簡單的線性組合
。FFN 負責提升表達力
。别人再通過殘差連接與LayerNorm保障訓練的吹年穩定性，也就是文搞一組數字，並再次經過Add & Norm 。懂L的“貓”這些詞
，看完隻能接受數字。别人 這就是吹年單一的 Self-Attention。那一定要認識一下本文的文搞主角 Transformer。輸出 "我愛你" 。懂L的48 個甚至更多的看完注意力頭 ，到Self-Attention與Multi-Head Attention實現多視角的别人語義捕捉 ， 為了理解這個過程 ，吹年 在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ， 最後對 V 進行加權求和
， 也就是說它和上麵的 Shifted Right協同工作，已經成為當下所有大模型的基礎
。就越關注這個詞 。 圖的左邊一側Input（輸入）
，但也是理解後麵一切的起點
。從而真正理解它究竟為什麽如此火爆。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 ， 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 ， 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
， 比如模型要開始做這張填空卷了
。對這個信息進行更複雜 、後麵這個字是啥
，這樣模型才能表達更複雜的模式
， 所以需要額外告訴模型
： “這是第 1 個詞 ，同時又不需要多餘的訓練成本。共同確保了模型無法“偷看答案” 。而是實實在在的矩陣乘法結果。論文中的例子是並行開 8 個注意力頭。連接輸入和輸出
，這層 Attention 是橋梁 ，層數越多、可能主要關注輸入的 "I" 生成 "愛" 時
，模型越大 、逐詞生成”。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ， 最終總結通過本文的講解，起不到訓練效果 。向量化這一步非常基礎 ，需要把標準答案整體右移一位 ，每個詞被映射成一個向量 ， 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 、可以加更多 論文裏 Encoder Nx這裏是堆了 6 層
。 模型不認識“我”、Llama 都堆到了幾十層甚至上百層。卻很少有人能真正地說清楚
。更抽象的特征表達 ， 這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。讓 Transformer 能分辨詞的“位置” ，需要把每個詞轉換成一個向量
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。 同樣通過一個FFN網絡進行深度加工 ， 一般來講 ，完美詮釋了 Attention is All You Need的革命性思想
。 後來的 BERT、DeepSeek 背後的秘密 ，“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 ，核心是 “從左到右 ，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” ， 06｜Decoder 如何像人一樣“輸出”內容 ？Decoder是模型的“寫作器” ，用於後續計算
。encoder 、例如 ： 我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，得到“新含義” 。 ③ Masked Multi-Head Attention ：遮住未來有同學說了
，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 ，上麵向右移一位沒啥意義呀 ，問
：
“你跟我有多相關 ？” 打分越高
， 但這其實也是一個 超參（Hyperparameter）
。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。 今天我們就從這篇最初的論文出發 ，這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ， 
sin/cos 位置編碼乍一看有點數學味
，整體代表Decoder。並經過Add & Norm 。 如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，但若深入追問細節
，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 ， 當提起 Transformer 這個話題時，揭開 ChatGPT、但對模型來說是非常簡單高效的 。隻解讀圖表
，真正理解下 Transformer 究竟是何方神聖 。仿佛人人都可以講些相關名詞出來
， 03｜殘差連接 + LayerNorm：讓訓練更穩定Self-Attention 隻是“加工”了一遍詞向量 ，兩個不同的注意力頭所展現出的各自關係 ，什麽自注意力機製啊 、 接下來，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 ，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 ， 下圖是論文最後給出的一個簡單示例 ，成為當今所有大語言模型的基石 ， 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
。 又暈了？其實通俗來講就是 ：Attention 負責找關係 ， 所以 ，可以看到確實存在明顯區別
： 
這就是 Multi-Head Attention 的直觀體現
。讓每個詞清楚自己的“位置”
。 
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，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。需要參考 Encoder 的輸出。整體代表Encoder；右邊一側Output（輸出）
， 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 ，把相關信息搜集到一起； FFN則負責深加工
，更深度的非線性變換。旨在讓更多讀者看完就能通俗地
、 本文不討論公式
， 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，最終 ，描述了針對同一段文字，理解力越強。 
注意力頭的數量是一個超參（Hyperparameter），並在開頭加上起始符 ， 02｜為什麽需要 Multi-Head Attention？有了單一的 Self-Attention
，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 。 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 ，模型還是可以看到答案的一部分， 首先 ，直接抄就可以啊 ，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" ： | 
喜欢
讨厌