|
但這其實也是文搞一個 超參（Hyperparameter）
。 ③ Masked Multi-Head Attention ：遮住未來有同學說了
，懂L的完美詮釋了 Attention is 看完All You Need的革命性思想
。逐詞生成” 。别人GPT 、吹年仿佛人人都可以講些相關名詞出來，文搞 
注意力頭的懂L的數量是一個超參（Hyperparameter） ，同時又不需要多餘的看完訓練成本 。 於是别人
： 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
，就是吹年下一個要生成的詞 。論文中的文搞例子是並行開 8 個注意力頭。旨在讓更多讀者看完就能通俗地、懂L的“你” 、看完而是别人實實在在的矩陣乘法結果。也就是吹年一組數字
，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
。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 ，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。描述了針對同一段文字 ，共同確保了模型無法“偷看答案” 。上麵向右移一位沒啥意義呀
， 它像給每個位置貼上一段獨一無二的“節奏標簽”
，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”
，真正理解下 Transformer 究竟是何方神聖
。可以加更多 論文裏 Encoder Nx這裏是堆了 6 層
。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 ，模型還是可以看到答案的一部分 ，從更多視角掃描句子 。 為了理解這個過程 ，兩個不同的注意力頭所展現出的各自關係 ，輸出 "我愛你"
。更抽象的特征表達， 當提起 Transformer 這個話題時 ，成為當今所有大語言模型的基石
，DeepSeek 背後的秘密 ，模型越大、 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
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），“貓”這些詞
，卻很少有人能真正地說清楚 。得到“新含義”。但也是理解後麵一切的起點
。 一般來講 ，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 ， 所以
，需要參考 Encoder 的輸出 。整體代表Encoder；右邊一側Output（輸出），Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。對這個信息進行更複雜 、已經成為當下所有大模型的基礎
。可以看到確實存在明顯區別： 
這就是 Multi-Head Attention 的直觀體現 。 此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，我們以翻譯任務為例
：輸入 "I Love You" ，整體代表Decoder 。 在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，每個注意力頭可以關注不同的視角 ， 如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，而不僅僅是做簡單的線性組合。從而真正理解它究竟為什麽如此火爆
。Transformer憑借這一高度並行 、每個詞被映射成一個向量 ，可能主要關注輸入的 "I" 生成 "愛" 時 ，更深度的非線性變換
。模型不認識“我” 、例如 ： 我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，用於後續計算。 實際可以開12 個 、 又暈了 ？其實通俗來講就是：Attention 負責找關係 ，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” ， 比如模型要開始做這張填空卷了 。把相關信息搜集到一起； FFN則負責深加工 ， 最終 ，可能主要關注輸入的 "Love" 生成 "你" 時 ，首先 ， 06｜Decoder 如何像人一樣“輸出”內容
？Decoder是模型的“寫作器” ，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， 02｜為什麽需要 Multi-Head Attention ？有了單一的 Self-Attention ，防止模型從未來抄答案
。但對模型來說是非常簡單高效的 。核心是 “從左到右 ， 這就是單一的 Self-Attention
。 後來的 BERT
、那一定要認識一下本文的主角 Transformer 。 ③ Q / K / V
：Self-Attention 的靈魂這是最讓人拍案叫絕的設計之一 。 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 ，FFN 負責提升表達力。 今天我們就從這篇最初的論文出發 ，但我們肯定還不能丟掉原始信息 。encoder、起不到訓練效果。需要把標準答案整體右移一位 ，讓 Transformer 能分辨詞的“位置”，並在開頭加上起始符 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，Llama 都堆到了幾十層甚至上百層
。 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
， 也就是說它和上麵的 Shifted Right協同工作
，這是第 2 個詞……” 論文使用了 sin + cos 函數計算的位置編碼方式 ，需要把每個詞轉換成一個向量 ，decoder什麽的
， 03｜殘差連接 + LayerNorm：讓訓練更穩定Self-Attention 隻是“加工”了一遍詞向量 ，揭開 ChatGPT、什麽自注意力機製啊
、隻解讀圖表，最後由FFN進行深度非線性變換以增強特征表達
。向量化這一步非常基礎 ，48 個甚至更多的注意力頭 ，問 ：
“你跟我有多相關？” 打分越高 ， ① Output Embedding：先把輸出詞變向量理解方式和輸入一樣 ， 同樣通過一個FFN網絡進行深度加工 ，這樣模型才能表達更複雜的模式
，因此模型本身無法“天然”感知詞的先後關係。 圖的左邊一側Input（輸入） ， ② Shifted Right ：防止模型“偷看答案”在模型訓練階段
，隻能接受數字
。理解力越強 。直接抄就可以啊 ， 本文不討論公式 ， 05｜重複 N 次 ：論文是 6 層
，也能堆更多層 。並經過Add & Norm。這層 Attention 是橋梁 ，最終總結通過本文的講解 ，其工作嚴格遵循架構圖右側流程
， 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 ， 
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 ， 接下來 ， 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
、讓每個詞清楚自己的“位置”。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。連接輸入和輸出 ，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" ： | 
喜欢
讨厌