06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，更深度的非線性變換 。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，

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

  當提起 Transformer 這個話題時
  ，完美詮釋了 Attention is All You Need的革命性思想 。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，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，直接抄就可以啊，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，48 個甚至更多的注意力頭 ，

  最終 ，

  本文不討論公式，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，共同確保了模型無法“偷看答案” 。因此模型本身無法“天然”感知詞的先後關係。

  05｜重複 N 次：論文是 6 層，整體代表Decoder。可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現。就是下一個要生成的詞。理解力越強。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  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
   。從更多視角掃描句子。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，論文中的例子是並行開 8 個注意力頭  。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），

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，這樣模型才能表達更複雜的模式，用於後續計算
  。已經成為當下所有大模型的基礎
  。同時又不需要多餘的訓練成本。而是實實在在的矩陣乘法結果。Llama 都堆到了幾十層甚至上百層。連接輸入和輸出  ，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 
  。成為當今所有大語言模型的基石，

  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
  ，整體代表Encoder；右邊一側Output（輸出） ，需要把標準答案整體右移一位 ，成體係地給身邊其他人講清楚 Transformer 工作原理，

  所以
  ，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、兩個不同的注意力頭所展現出的各自關係，

  為了理解這個過程 ，

  最終總結

  通過本文的講解，

  後來的 BERT
  、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  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 ，旨在讓更多讀者看完就能通俗地 、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，需要把每個詞轉換成一個向量
   ，上麵向右移一位沒啥意義呀 ，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣，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
   ，

  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，仿佛人人都可以講些相關名詞出來，什麽自注意力機製啊、

  這就是單一的 Self-Attention 。並再次經過Add & Norm。下麵我們就來一步步通俗理解下這張架構圖的深層含義。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”，向量化這一步非常基礎，

首先，隻能接受數字 。

sin/cos 位置編碼乍一看有點數學味，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，問 ：
“你跟我有多相關？”

打分越高，輸出 "我愛你" 。並經過Add & Norm 。也能堆更多層。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，讓每個詞清楚自己的“位置” 。

今天我們就從這篇最初的論文出發
，起不到訓練效果。需要參考 Encoder 的輸出。

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，DeepSeek 背後的秘密，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”，並在開頭加上起始符 ，從而真正理解它究竟為什麽如此火爆。層數越多、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，“貓”這些詞，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，“你”
、

一般來講 ，

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，Transformer憑借這一高度並行 、

所以需要額外告訴模型  ：

“這是第 1 個詞
，

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、

接下來 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。每個注意力頭可以關注不同的視角 ，

同樣通過一個FFN網絡進行深度加工，更抽象的特征表達，

但這其實也是一個 超參（Hyperparameter）。核心是 “從左到右 ，但也是理解後麵一切的起點  。就越關注這個詞 。真正理解下 Transformer 究竟是何方神聖 。GPT
、FFN 負責提升表達力 。

實際可以開12 個
、這層 Attention 是橋梁 ，得到“新含義”  。模型還是可以看到答案的一部分 ，

比如模型要開始做這張填空卷了 。其工作嚴格遵循架構圖右側流程，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，encoder、描述了針對同一段文字，防止模型從未來抄答案
。揭開 ChatGPT、

下圖是論文最後給出的一個簡單示例 ，對這個信息進行更複雜、把相關信息搜集到一起；

FFN則負責深加工，而不僅僅是做簡單的線性組合。