別人吹完能和r看一文搞一年懂 L的 T

因為我們需要從多個角度來理解自然語言。相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的文搞是 ：

<start> 我 愛

也就是右移一格。

下圖是懂L的論文最後給出的一個簡單示例 ，每個注意力頭可以關注不同的看完視角 ，上麵向右移一位沒啥意義呀，别人可擴展的吹年對稱性設計（Encoder與Decoder層具有相似的核心結構），DeepSeek 背後的文搞秘密，

Encoder通過堆疊N個相同的懂L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，

sin/cos 位置編碼乍一看有點數學味，看完例如：

• 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 不是别人隻看一個角度 ，

本文不討論公式，吹年更抽象的特征表達 ，

但這其實也是一個 超參（Hyperparameter）。

圖的左邊一側Input（輸入），成為當今所有大語言模型的基石，

所以需要額外告訴模型 ：

“這是第 1 個詞
，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
，

比如模型要開始做這張填空卷了 。那一定要認識一下本文的主角 Transformer 。可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現。

這層 Attention 是橋梁，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，從而真正理解它究竟為什麽如此火爆。而不僅僅是做簡單的線性組合。逐詞生成” 。

也就是說它和上麵的 Shifted Right協同工作，

一般來講，整體代表Decoder
。Llama 都堆到了幾十層甚至上百層 。後麵這個字是啥 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

首先 ，就是下一個要生成的詞 。

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，可能主要關注輸入的 "Love"

“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
  ，完美詮釋了 Attention is All You Need的革命性思想。模型越大 、

  實際可以開12 個、旨在讓更多讀者看完就能通俗地
  、得到“新含義” 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，同時又不需要多餘的訓練成本 。

  所以 ，

  01｜輸入是怎麽被 Transformer“看懂”的？

  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。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，輸出 "我愛你" 。

  接下來，

  當提起 Transformer 這個話題時，

  又暈了？其實通俗來講就是 ：Attention 負責找關係，encoder、但我們肯定還不能丟掉原始信息 。讓每個詞清楚自己的“位置” 。也能堆更多層。

  

  注意力頭的數量是一個超參（Hyperparameter），讓 Transformer 能分辨詞的“位置”，理解力越強
   。仿佛人人都可以講些相關名詞出來，GPT 、下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

  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” ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，兩個不同的注意力頭所展現出的各自關係，層數越多 、

  今天我們就從這篇最初的論文出發
   ，這樣模型才能表達更複雜的模式，卻很少有人能真正地說清楚。

  ① Input Embedding 
  ：把詞變成數字向量

  模型不認識“我”、

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
   ，“貓”這些詞，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。隻解讀圖表，真正理解下 Transformer 究竟是何方神聖 。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，就越關注這個詞。用於後續計算 。每個詞被映射成一個向量 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。但也是理解後麵一切的起點。連接輸入和輸出  ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  05｜重複 N 次 ：論文是 6 層
  ，更深度的非線性變換。需要把每個詞轉換成一個向量，並在開頭加上起始符 
  ，最後由FFN進行深度非線性變換以增強特征表達。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，問：
  “你跟我有多相關？”

  打分越高 ，其工作嚴格遵循架構圖右側流程 ，把相關信息搜集到一起；

  FFN則負責深加工
   ，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”，decoder什麽的，核心是 “從左到右，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，從更多視角掃描句子。起不到訓練效果。

  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
  ，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”，而是實實在在的矩陣乘法結果。

最後對 V 進行加權求和，需要把標準答案整體右移一位，隻能接受數字。需要參考 Encoder 的輸出。也就是一組數字 ，我們以翻譯任務為例：輸入 "I Love You"，Transformer憑借這一高度並行、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
，揭開 ChatGPT、並經過Add & Norm。

後來的 BERT 、但對模型來說是非常簡單高效的 。

同樣通過一個FFN網絡進行深度加工，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，對這個信息進行更複雜、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。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），向量化這一步非常基礎，再通過殘差連接與LayerNorm保障訓練的穩定性 ，防止模型從未來抄答案 。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。論文中的例子是並行開 8 個注意力頭。

這就是單一的 Self-Attention。已經成為當下所有大模型的基礎。

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  ，

最終，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出  ，描述了針對同一段文字，FFN 負責提升表達力 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。模型還是可以看到答案的一部分，

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 、

最終總結

通過本文的講解 ，什麽自注意力機製啊、48 個甚至更多的注意力頭，