別人吹完能和r看一文搞一年懂 L的 T

发表于 2026-09-02 17:27:06 来源：行色匆匆網

層數越多、文搞為啥又需要 Multi-Head Attention 呢？懂L的

因為我們需要從多個角度來理解自然語言。防止模型從未來抄答案。看完這層 Attention 是别人橋梁，

注意力頭的吹年數量是一個超參（Hyperparameter），

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是文搞“加工”了一遍詞向量，

也就是懂L的說它和上麵的 Shifted Right協同工作，需要把標準答案整體右移一位，看完但我們肯定還不能丟掉原始信息。别人Transformer憑借這一高度並行、吹年完美詮釋了 Attention is 文搞All You Need的革命性思想。對這個信息進行更複雜、懂L的

於是看完：

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，描述了針對同一段文字，别人

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，吹年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”，什麽自注意力機製啊、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，那一定要認識一下本文的主角 Transformer。

最終總結

通過本文的講解，

所以需要額外告訴模型：

“這是第 1 個詞，
又暈了？其實通俗來講就是：Attention 負責找關係，每個詞被映射成一個向量，
04｜Feed Forward 網絡（FFN）：進一步加工語義
Attention層負責廣撒網，真正理解下 Transformer 究竟是何方神聖。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，
最後對 V 進行加權求和，
它像給每個位置貼上一段獨一無二的“節奏標簽”，但對模型來說是非常簡單高效的。encoder、
② Shifted Right：防止模型“偷看答案”
在模型訓練階段，輸出 "我愛你"。同時又不需要多餘的訓練成本。因此模型本身無法“天然”感知詞的先後關係。最後由FFN進行深度非線性變換以增強特征表達。“貓”這些詞，
實際可以開12 個、問：
“你跟我有多相關？”
打分越高，48 個甚至更多的注意力頭，整體代表Encoder；右邊一側Output（輸出），卻很少有人能真正地說清楚。
今天我們就從這篇最初的論文出發，讓每個詞清楚自己的“位置” 。已經成為當下所有大模型的基礎。可能主要關注輸入的 "I"
生成 "愛" 時，核心是 “從左到右，而是實實在在的矩陣乘法結果。可以加更多
論文裏 Encoder Nx這裏是堆了 6 層。
後來的 BERT 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），仿佛人人都可以講些相關名詞出來，
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，起不到訓練效果。上麵向右移一位沒啥意義呀，
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、
06｜Decoder 如何像人一樣“輸出”內容？
Decoder是模型的“寫作器”，每個注意力頭可以關注不同的視角，旨在讓更多讀者看完就能通俗地、連接輸入和輸出，
本文不討論公式，
這就是單一的 Self-Attention 。需要把每個詞轉換成一個向量，更深度的非線性變換。可能主要關注輸入的 "Love"
生成 "你" 時，
首先，
sin/cos 位置編碼乍一看有點數學味，
05｜重複 N 次：論文是 6 層，需要參考 Encoder 的輸出。
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，用於後續計算。這樣模型才能表達更複雜的模式，
為了理解這個過程，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。
圖的左邊一側Input（輸入），兩個不同的注意力頭所展現出的各自關係，例如：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀，後麵這個字是啥，
下圖是論文最後給出的一個簡單示例，隻能接受數字。DeepSeek 背後的秘密，“你”、把相關信息搜集到一起；
FFN則負責深加工，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，FFN 負責提升表達力。讓 Transformer 能分辨詞的“位置”，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。更抽象的特征表達，整體代表Decoder。向量化這一步非常基礎，也能堆更多層。得到“新含義” 。成體係地給身邊其他人講清楚 Transformer 工作原理，我們以翻譯任務為例：輸入 "I Love You"，
當提起 Transformer 這個話題時，
但這其實也是一個超參（Hyperparameter）。下麵我們就來一步步通俗理解下這張架構圖的深層含義。
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，
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，但若深入追問細節，直接抄就可以啊，decoder什麽的，Llama 都堆到了幾十層甚至上百層。
③ Q / K / V：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，也就是一組數字，理解力越強。就越關注這個詞。
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。GPT、
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。而不僅僅是做簡單的線性組合。
比如模型要開始做這張填空卷了。
一般來講，
成為當今所有大語言模型的基石，從更多視角掃描句子。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，並經過Add & Norm 。共同確保了模型無法“偷看答案” 。
同樣通過一個FFN網絡進行深度加工，其工作嚴格遵循架構圖右側流程，揭開 ChatGPT、
③ Masked Multi-Head Attention ：遮住未來
有同學說了，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，從而真正理解它究竟為什麽如此火爆。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。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”，逐詞生成”。論文中的例子是並行開 8 個注意力頭。
02｜為什麽需要 Multi-Head Attention ？
有了單一的 Self-Attention，
接下來，
① Output Embedding ：先把輸出詞變向量
理解方式和輸入一樣，
所以，
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，模型越大、隻解讀圖表，
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，
① Input Embedding：把詞變成數字向量
模型不認識“我”、但也是理解後麵一切的起點。這是第 2 個詞……”