別人吹完能和r看一文搞一年懂 L的 T

本文不討論公式，文搞

當提起 Transformer 這個話題時，懂L的用於後續計算。看完從而真正理解它究竟為什麽如此火爆。别人核心是吹年 “從左到右 ，decoder什麽的文搞 ，但若深入追問細節，懂L的但也是看完理解後麵一切的起點。逐詞生成”。别人encoder、吹年旨在讓更多讀者看完就能通俗地、文搞連接輸入和輸出，懂L的卻很少有人能真正地說清楚。看完而是别人實實在在的矩陣乘法結果。需要把標準答案整體右移一位
，吹年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”，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，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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。共同確保了模型無法“偷看答案” 。就越關注這個詞。從更多視角掃描句子。整體代表Decoder。那一定要認識一下本文的主角 Transformer。48 個甚至更多的注意力頭 ，GPT 、這樣模型才能表達更複雜的模式，輸出 "我愛你" 。Llama 都堆到了幾十層甚至上百層。

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 。

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 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，讓 Transformer 能分辨詞的“位置”
 ，也就是一組數字，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），層數越多
、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

最終總結

通過本文的講解，每個注意力頭可以關注不同的視角 ，需要參考 Encoder 的輸出 。

今天我們就從這篇最初的論文出發，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 ，論文中的例子是並行開 8 個注意力頭。但我們肯定還不能丟掉原始信息。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，描述了針對同一段文字 ，可能主要關注輸入的 "I"

生成 "愛" 時，

比如模型要開始做這張填空卷了。

注意力頭的數量是一個超參（Hyperparameter），揭開 ChatGPT、

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，

也就是說它和上麵的 Shifted Right協同工作 ，並經過Add & Norm
。模型還是可以看到答案的一部分，

圖的左邊一側Input（輸入），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
。

最後對 V 進行加權求和
，成為當今所有大語言模型的基石
，

下圖是論文最後給出的一個簡單示例，

這就是單一的 Self-Attention 。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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
，並再次經過Add & Norm。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，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，

  同樣通過一個FFN網絡進行深度加工，每個詞被映射成一個向量，需要把每個詞轉換成一個向量，其工作嚴格遵循架構圖右側流程，DeepSeek 背後的秘密，

  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，模型越大 、整體代表Encoder；右邊一側Output（輸出） ，對這個信息進行更複雜、這層 Attention 是橋梁
  ，防止模型從未來抄答案 。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  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、

  所以
  ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
  ，得到“新含義”。

  成體係地給身邊其他人講清楚 Transformer 工作原理 ，

  首先，

  最終 
  ，但對模型來說是非常簡單高效的 
  。把相關信息搜集到一起；

  FFN則負責深加工 ，理解力越強。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，FFN 負責提升表達力。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。更抽象的特征表達 ，

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

  又暈了？其實通俗來講就是：Attention 負責找關係
  ，並在開頭加上起始符  ，直接抄就可以啊，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，

  為了理解這個過程
  ，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，“你”
  、

  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，

  接下來，隻能接受數字。什麽自注意力機製啊、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

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，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。上麵向右移一位沒啥意義呀，更深度的非線性變換 。

但這其實也是一個 超參（Hyperparameter）。

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，而不僅僅是做簡單的線性組合。向量化這一步非常基礎，讓每個詞清楚自己的“位置”。因此模型本身無法“天然”感知詞的先後關係。