生成 "愛" 時 ，整體代表Encoder；右邊一側Output（輸出） ，吹年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，
今天我們就從這篇最初的懂L的論文出發 ，
05｜重複 N 次 ：論文是 6 層
，48 個甚至更多的别人注意力頭，吹年DeepSeek 背後的秘密 ，問 ：
“你跟我有多相關
？”
打分越高
，
最終 ，每個詞被映射成一個向量，模型越大
、
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
。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，這層 Attention 是橋梁 ，把相關信息搜集到一起；
FFN則負責深加工
，但對模型來說是非常簡單高效的 。層數越多 、
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，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，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 ，就越關注這個詞 。因此模型本身無法“天然”感知詞的先後關係 。成為當今所有大語言模型的基石 ，並再次經過Add & Norm
。
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 ，直接抄就可以啊 ，什麽自注意力機製啊 、
也就是說它和上麵的 Shifted Right協同工作
，真正理解下 Transformer 究竟是何方神聖 。
但這其實也是一個 超參（Hyperparameter）
。論文中的例子是並行開 8 個注意力頭。同時又不需要多餘的訓練成本 。
本文不討論公式 ，
圖的左邊一側Input（輸入） ，得到“新含義” 。
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，向量化這一步非常基礎 ，這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式
，
06｜Decoder 如何像人一樣“輸出”內容
？
Decoder是模型的“寫作器”，
一般來講
，
同樣通過一個FFN網絡進行深度加工
，
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
。
這就是單一的 Self-Attention 。
接下來 ，揭開 ChatGPT
、需要參考 Encoder 的輸出
。連接輸入和輸出 ，完美詮釋了 Attention is All You Need的革命性思想
。隻能接受數字 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，
sin/cos 位置編碼乍一看有點數學味，就是下一個要生成的詞 。
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 ，
所以 ，
下圖是論文最後給出的一個簡單示例，可能主要關注輸入的 "Love"
生成 "你" 時 ，隻解讀圖表，理解力越強 。每個注意力頭可以關注不同的視角 ，已經成為當下所有大模型的基礎 。防止模型從未來抄答案。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" ，Transformer憑借這一高度並行 、
最後對 V 進行加權求和，
為了理解這個過程
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。Llama 都堆到了幾十層甚至上百層
。FFN 負責提升表達力 。旨在讓更多讀者看完就能通俗地
、
最終總結
通過本文的講解 ，decoder什麽的 ，後麵這個字是啥 ，卻很少有人能真正地說清楚。
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，更抽象的特征表達
，
① Output Embedding ：先把輸出詞變向量
理解方式和輸入一樣
，
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 。共同確保了模型無法“偷看答案” 。並在開頭加上起始符 ，這樣模型才能表達更複雜的模式
，
後來的 BERT、並經過Add & Norm 。從更多視角掃描句子
。上麵向右移一位沒啥意義呀 ，encoder 、讓每個詞清楚自己的“位置”
。再通過殘差連接與LayerNorm保障訓練的穩定性
，
首先 ，
② Shifted Right：防止模型“偷看答案”
在模型訓練階段 ，例如：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，
模型不認識“我”、讓 Transformer 能分辨詞的“位置” ，
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 ，
所以需要額外告訴模型 ：
“這是第 1 個詞
，描述了針對同一段文字，
04｜Feed Forward 網絡（FFN） ：進一步加工語義
Attention層負責廣撒網 ，對這個信息進行更複雜
、可以加更多
論文裏 Encoder Nx這裏是堆了 6 層
。最後由FFN進行深度非線性變換以增強特征表達 。更深度的非線性變換 。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 ，起不到訓練效果 。可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現。但我們肯定還不能丟掉原始信息。逐詞生成”。“貓”這些詞
，其工作嚴格遵循架構圖右側流程 ，
02｜為什麽需要 Multi-Head Attention
？
有了單一的 Self-Attention ，
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，整體代表Decoder 。而不僅僅是做簡單的線性組合。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 ，需要把標準答案整體右移一位 ，可能主要關注輸入的 "You"
喜欢
讨厌