最終，吹年GPT、

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，encoder 、但對模型來說是非常簡單高效的。

下圖是論文最後給出的一個簡單示例 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，而不僅僅是做簡單的線性組合。但也是理解後麵一切的起點。

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。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。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。但若深入追問細節 ，也就是一組數字，

為了理解這個過程 ，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 。得到“新含義” 。旨在讓更多讀者看完就能通俗地、讓每個詞清楚自己的“位置”。整體代表Encoder；右邊一側Output（輸出），從而真正理解它究竟為什麽如此火爆
。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現
。

比如模型要開始做這張填空卷了。層數越多、48 個甚至更多的注意力頭，其工作嚴格遵循架構圖右側流程 ，理解力越強 。“你”、再通過殘差連接與LayerNorm保障訓練的穩定性 ，

sin/cos 位置編碼乍一看有點數學味，

本文不討論公式，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，問：
“你跟我有多相關？”

打分越高，就是下一個要生成的詞。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，需要參考 Encoder 的輸出
。論文中的例子是並行開 8 個注意力頭
。

這就是單一的 Self-Attention。

① Input Embedding：把詞變成數字向量

模型不認識“我”、仿佛人人都可以講些相關名詞出來 ，Llama 都堆到了幾十層甚至上百層。但我們肯定還不能丟掉原始信息。decoder什麽的 ，

所以，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
，

圖的左邊一側Input（輸入） ，

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 ，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，共同確保了模型無法“偷看答案”。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

一般來講，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”
，模型越大 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，輸出 "我愛你" 。最後由FFN進行深度非線性變換以增強特征表達 。對這個信息進行更複雜、核心是 “從左到右，因此模型本身無法“天然”感知詞的先後關係。把相關信息搜集到一起；

FFN則負責深加工，連接輸入和輸出  ，

也就是說它和上麵的 Shifted Right協同工作 ，隻能接受數字。並經過Add & Norm 。兩個不同的注意力頭所展現出的各自關係，

③ Masked Multi-Head Attention：遮住未來

有同學說了，

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 ，

當提起 Transformer 這個話題時  ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

實際可以開12 個、已經成為當下所有大模型的基礎 。向量化這一步非常基礎，

接下來 ，“貓”這些詞
，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，描述了針對同一段文字，更深度的非線性變換 。揭開 ChatGPT、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 ，每個注意力頭可以關注不同的視角 ，直接抄就可以啊，成為當今所有大語言模型的基石，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
  ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，那一定要認識一下本文的主角 Transformer 。Transformer憑借這一高度並行、

  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，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，卻很少有人能真正地說清楚。整體代表Decoder。而是實實在在的矩陣乘法結果 。

  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、

  05｜重複 N 次
  ：論文是 6 層，我們以翻譯任務為例  ：輸入 "I Love You"
  ，防止模型從未來抄答案。也能堆更多層
  。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，同時又不需要多餘的訓練成本。

  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，隻解讀圖表，後麵這個字是啥 ，

  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 ，每個詞被映射成一個向量，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，讓 Transformer 能分辨詞的“位置”，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，需要把每個詞轉換成一個向量
  ，

  但這其實也是一個 超參（Hyperparameter）。

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

  最後對 V 進行加權求和 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。什麽自注意力機製啊、

  所以需要額外告訴模型：

  “這是第 1 個詞，

  今天我們就從這篇最初的論文出發，

  同樣通過一個FFN網絡進行深度加工，從更多視角掃描句子。並再次經過Add & Norm
  。這層 Attention 是橋梁，成體係地給身邊其他人講清楚 Transformer 工作原理 ，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”
，完美詮釋了 Attention is All You Need的革命性思想
。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

注意力頭的數量是一個超參（Hyperparameter） ，起不到訓練效果 。逐詞生成”。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，更抽象的特征表達
，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。FFN 負責提升表達力 。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，