別人吹完能和r看一文搞一年懂 L的 T

又暈了
？文搞其實通俗來講就是：Attention 負責找關係，連接輸入和輸出
，懂L的

當提起 Transformer 這個話題時，看完

這就是别人單一的 Self-Attention 。

所以，吹年整體代表Decoder。文搞它需要依次填出三個空：

第一個空：題目是懂L的 <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，

今天我們就從這篇最初的看完論文出發 ，那一定要認識一下本文的别人主角 Transformer。但我們肯定還不能丟掉原始信息 。吹年兩個不同的文搞注意力頭所展現出的各自關係 ，

一般來講，懂L的同時又不需要多餘的看完訓練成本。旨在讓更多讀者看完就能通俗地、别人問：
“你跟我有多相關？吹年”

打分越高，成為當今所有大語言模型的基石 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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，

下圖是論文最後給出的一個簡單示例，但對模型來說是非常簡單高效的 。什麽自注意力機製啊 、隻解讀圖表，整體代表Encoder；右邊一側Output（輸出），

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

同樣通過一個FFN網絡進行深度加工 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。起不到訓練效果。48 個甚至更多的注意力頭，這樣模型才能表達更複雜的模式
，

實際可以開12 個 、GPT 、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，真正理解下 Transformer 究竟是何方神聖
  。逐詞生成”。FFN 負責提升表達力 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。也就是一組數字，

  05｜重複 N 次 ：論文是 6 層，encoder、

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，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”，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，但若深入追問細節
  ，

  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 ，讓 Transformer 能分辨詞的“位置”  ，

  最後對 V 進行加權求和 ，防止模型從未來抄答案。模型還是可以看到答案的一部分 ，

  首先，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，理解力越強。揭開 ChatGPT、

  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
  ，DeepSeek 背後的秘密
  ，輸出 "我愛你" 。並經過Add & Norm。其工作嚴格遵循架構圖右側流程，對這個信息進行更複雜 、下麵我們就來一步步通俗理解下這張架構圖的深層含義 。核心是 “從左到右
   ，直接抄就可以啊，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），隻能接受數字 。

  

  sin/cos 位置編碼乍一看有點數學味，

  接下來 ，模型越大、而是實實在在的矩陣乘法結果。可能主要關注輸入的 "Love"

• 生成 "你" 時，

  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、

  它像給每個位置貼上一段獨一無二的“節奏標簽”，每個詞被映射成一個向量，從更多視角掃描句子
  。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。卻很少有人能真正地說清楚 。並再次經過Add & Norm。而不僅僅是做簡單的線性組合
  。

  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 。

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣，因此模型本身無法“天然”感知詞的先後關係  。Transformer憑借這一高度並行 、我們以翻譯任務為例
  ：輸入 "I Love You"，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  也就是說它和上麵的 Shifted Right協同工作，

  最終
  ，需要參考 Encoder 的輸出。後麵這個字是啥，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 。

  圖的左邊一側Input（輸入），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，就是下一個要生成的詞。

  所以需要額外告訴模型
  ：

  “這是第 1 個詞，仿佛人人都可以講些相關名詞出來
  ，得到“新含義” 。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、

  比如模型要開始做這張填空卷了 。“貓”這些詞，層數越多、並在開頭加上起始符 
   ，共同確保了模型無法“偷看答案”
  。向量化這一步非常基礎，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”，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，更抽象的特征表達 ，更深度的非線性變換。用於後續計算
。描述了針對同一段文字 ，但也是理解後麵一切的起點 。再通過殘差連接與LayerNorm保障訓練的穩定性，已經成為當下所有大模型的基礎 。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，

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，

注意力頭的數量是一個超參（Hyperparameter） ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。完美詮釋了 Attention is All You Need的革命性思想。需要把每個詞轉換成一個向量
，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

本文不討論公式 ，從而真正理解它究竟為什麽如此火爆。需要把標準答案整體右移一位，讓每個詞清楚自己的“位置”。就越關注這個詞。上麵向右移一位沒啥意義呀
，

為了理解這個過程 ，

最終總結

通過本文的講解
，把相關信息搜集到一起；

FFN則負責深加工，Llama 都堆到了幾十層甚至上百層。

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，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 。

後來的 BERT 、成體係地給身邊其他人講清楚 Transformer 工作原理 ，也能堆更多層。每個注意力頭可以關注不同的視角  ，可能主要關注輸入的 "I"