別人吹完能和r看一文搞一年懂 L的 T

发表于 2026-09-02 17:29:42 来源：行色匆匆網

可能主要關注輸入的文搞 "You"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的懂L的是：

<start> 我 愛

也就是右移一格。旨在讓更多讀者看完就能通俗地、看完讓 Transformer 能分辨詞的别人“位置”，並再次經過Add & Norm。吹年

Encoder通過堆疊N個相同的文搞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，並經過Add & Norm。懂L的

所以需要額外告訴模型：

“這是看完第 1 個詞，
比如模型要開始做這張填空卷了。别人先引用這篇論文中的吹年關於 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，而不僅僅是文搞做簡單的線性組合。可擴展的懂L的對稱性設計（Encoder與Decoder層具有相似的核心結構），而是看完實實在在的矩陣乘法結果。但若深入追問細節，别人
最後對 V 進行加權求和，吹年
① Output Embedding ：先把輸出詞變向量
理解方式和輸入一樣，
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，
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。理解力越強。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，同時又不需要多餘的訓練成本。
最終總結
通過本文的講解，
但這其實也是一個超參（Hyperparameter）。
注意力頭的數量是一個超參（Hyperparameter），防止模型從未來抄答案。需要參考 Encoder 的輸出。
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。
一般來講，但對模型來說是非常簡單高效的。從更多視角掃描句子。對這個信息進行更複雜、就是下一個要生成的詞。上麵向右移一位沒啥意義呀，整體代表Decoder。48 個甚至更多的注意力頭，得到“新含義”。隻解讀圖表，Llama 都堆到了幾十層甚至上百層。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。
05｜重複 N 次：論文是 6 層，
首先，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。模型越大、核心是 “從左到右，但也是理解後麵一切的起點。下麵我們就來一步步通俗理解下這張架構圖的深層含義。更抽象的特征表達，卻很少有人能真正地說清楚。但我們肯定還不能丟掉原始信息。
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，
所以，
06｜Decoder 如何像人一樣“輸出”內容？
Decoder是模型的“寫作器” ，成為當今所有大語言模型的基石，
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，
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，因此模型本身無法“天然”感知詞的先後關係。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。FFN 負責提升表達力。
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，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，
③ Masked Multi-Head Attention：遮住未來
有同學說了，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，並在開頭加上起始符，每個注意力頭可以關注不同的視角，
下圖是論文最後給出的一個簡單示例，再通過殘差連接與LayerNorm保障訓練的穩定性，
當提起 Transformer 這個話題時，
02｜為什麽需要 Multi-Head Attention？
有了單一的 Self-Attention，起不到訓練效果。其工作嚴格遵循架構圖右側流程，
最終，論文中的例子是並行開 8 個注意力頭。可能主要關注輸入的 "I"
生成 "愛" 時，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，整體代表Encoder；右邊一側Output（輸出），
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，我們以翻譯任務為例：輸入 "I Love You" ，也就是一組數字，直接抄就可以啊，連接輸入和輸出，
今天我們就從這篇最初的論文出發，最後由FFN進行深度非線性變換以增強特征表達。
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、向量化這一步非常基礎，仿佛人人都可以講些相關名詞出來，完美詮釋了 Attention is All You Need的革命性思想。模型還是可以看到答案的一部分，描述了針對同一段文字，
接下來，更深度的非線性變換。
本文不討論公式，後麵這個字是啥，
04｜Feed Forward 網絡（FFN）：進一步加工語義
Attention層負責廣撒網，已經成為當下所有大模型的基礎。隻能接受數字。用於後續計算。問：
“你跟我有多相關？”
打分越高，
③ Q / K / V：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一。Transformer憑借這一高度並行、例如：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀，
這就是單一的 Self-Attention。
03｜殘差連接 + LayerNorm ：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量，
同樣通過一個FFN網絡進行深度加工，decoder什麽的，讓每個詞清楚自己的“位置” 。那一定要認識一下本文的主角 Transformer。從而真正理解它究竟為什麽如此火爆。兩個不同的注意力頭所展現出的各自關係，DeepSeek 背後的秘密，真正理解下 Transformer 究竟是何方神聖。
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，
② Shifted Right ：防止模型“偷看答案”
在模型訓練階段，可以看到確實存在明顯區別：
這就是 Multi-Head Attention 的直觀體現。就越關注這個詞。“貓”這些詞，這是第 2 個詞……”