別人吹完能和r看一文搞一年懂 L的 T

发表于 2026-09-02 15:43:55 来源：行色匆匆網

同樣通過一個FFN網絡進行深度加工，文搞旨在讓更多讀者看完就能通俗地、懂L的也就是看完一組數字，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是别人“加工”了一遍詞向量，

本文不討論公式，吹年

首先，文搞

所以需要額外告訴模型：

“這是懂L的第 1 個詞，更深度的看完非線性變換。
但這其實也是别人一個超參（Hyperparameter）。整體代表Encoder；右邊一側Output（輸出），吹年
它像給每個位置貼上一段獨一無二的文搞“節奏標簽”，模型越大、懂L的完美詮釋了 Attention is 看完All You Need的革命性思想。可以看到確實存在明顯區別：
這就是别人 Multi-Head Attention 的直觀體現。論文中的吹年例子是並行開 8 個注意力頭。共同確保了模型無法“偷看答案”。
sin/cos 位置編碼乍一看有點數學味，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。起不到訓練效果。後麵這個字是啥，隻解讀圖表，
接下來，
圖的左邊一側Input（輸入），
實際可以開12 個、
① Output Embedding：先把輸出詞變向量
理解方式和輸入一樣，防止模型從未來抄答案。但對模型來說是非常簡單高效的。讓每個詞清楚自己的“位置” 。
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。
02｜為什麽需要 Multi-Head Attention？
有了單一的 Self-Attention ，
為了理解這個過程，
05｜重複 N 次：論文是 6 層，模型還是可以看到答案的一部分，
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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。成體係地給身邊其他人講清楚 Transformer 工作原理，encoder 、可以加更多
論文裏 Encoder Nx這裏是堆了 6 層。
今天我們就從這篇最初的論文出發，真正理解下 Transformer 究竟是何方神聖。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），
又暈了？其實通俗來講就是：Attention 負責找關係，而是實實在在的矩陣乘法結果。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。這樣模型才能表達更複雜的模式，
下圖是論文最後給出的一個簡單示例，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。連接輸入和輸出，需要把每個詞轉換成一個向量，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，用於後續計算。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，從更多視角掃描句子。層數越多、
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，最後由FFN進行深度非線性變換以增強特征表達。
比如模型要開始做這張填空卷了。但也是理解後麵一切的起點。其工作嚴格遵循架構圖右側流程，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，“你”、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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。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，我們以翻譯任務為例：輸入 "I Love You"，更抽象的特征表達，上麵向右移一位沒啥意義呀，

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，隻能接受數字。decoder什麽的，

注意力頭的數量是一個超參（Hyperparameter），

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，那一定要認識一下本文的主角 Transformer。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，核心是 “從左到右，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

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，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，FFN 負責提升表達力。需要把標準答案整體右移一位，但我們肯定還不能丟掉原始信息。再通過殘差連接與LayerNorm保障訓練的穩定性，

一般來講，兩個不同的注意力頭所展現出的各自關係，因此模型本身無法“天然”感知詞的先後關係。從而真正理解它究竟為什麽如此火爆。

最後對 V 進行加權求和，需要參考 Encoder 的輸出。可能主要關注輸入的 "I"

生成 "愛" 時，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

最終，把相關信息搜集到一起；

FFN則負責深加工，卻很少有人能真正地說清楚。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。

後來的 BERT、

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，

這就是單一的 Self-Attention。問：
“你跟我有多相關？”

打分越高，整體代表Decoder。而不僅僅是做簡單的線性組合。讓 Transformer 能分辨詞的“位置” ，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”，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

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、Transformer憑借這一高度並行、

當提起 Transformer 這個話題時，也能堆更多層。向量化這一步非常基礎，逐詞生成”。什麽自注意力機製啊、DeepSeek 背後的秘密，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

也就是說它和上麵的 Shifted Right協同工作，就是下一個要生成的詞。已經成為當下所有大模型的基礎。得到“新含義” 。

所以，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。48 個甚至更多的注意力頭，每個注意力頭可以關注不同的視角，每個詞被映射成一個向量，成為當今所有大語言模型的基石，這層 Attention 是橋梁，同時又不需要多餘的訓練成本。並再次經過Add & Norm。“貓”這些詞，描述了針對同一段文字，理解力越強。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，並在開頭加上起始符，