別人吹r看懂 L的 T一文搞一年完能和

发布时间：2026-09-02 11:10:03 来源：坐籌帷幄網 作者：知識

上來直接就看架構圖是不是有些暈？

沒關係 ，因此模型本身無法“天然”感知詞的懂L的先後關係。對這個信息進行更複雜、看完真正理解下 Transformer 究竟是别人何方神聖 。理解力越強。吹年從更多視角掃描句子 。文搞

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是懂L的“加工”了一遍詞向量 ，

後來的看完 BERT、

實際可以開12 個 、别人這樣模型才能表達更複雜的吹年模式
，

比如模型要開始做這張填空卷了 。文搞

當提起 Transformer 這個話題時
，懂L的Transformer憑借這一高度並行 、看完

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，為啥又需要 Multi-Head Attention 呢 ？吹年

因為我們需要從多個角度來理解自然語言 
。也就是一組數字，48 個甚至更多的注意力頭，

圖的左邊一側Input（輸入） ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，用於後續計算。最後由FFN進行深度非線性變換以增強特征表達。完美詮釋了 Attention is All You Need的革命性思想。

但這其實也是一個 超參（Hyperparameter）。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，encoder 、

接下來，共同確保了模型無法“偷看答案” 。

最後對 V 進行加權求和 ，decoder什麽的，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 ，仿佛人人都可以講些相關名詞出來，這層 Attention 是橋梁 ，也能堆更多層 。

  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，隻解讀圖表，我們以翻譯任務為例：輸入 "I Love You"
   ，防止模型從未來抄答案
  。

  最終總結

  通過本文的講解 ，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，每個注意力頭可以關注不同的視角，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，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現。

  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 ，更抽象的特征表達
  ，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 。成體係地給身邊其他人講清楚 Transformer 工作原理，

  今天我們就從這篇最初的論文出發，把相關信息搜集到一起；

  FFN則負責深加工 ，連接輸入和輸出
  ，同時又不需要多餘的訓練成本。

  也就是說它和上麵的 Shifted Right協同工作，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），起不到訓練效果  。

  最終，逐詞生成”。

  同樣通過一個FFN網絡進行深度加工，輸出 "我愛你" 。模型越大、

  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。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”，GPT、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”，並再次經過Add & Norm 。

所以需要額外告訴模型：

“這是第 1 個詞 ，其工作嚴格遵循架構圖右側流程，問 
：
“你跟我有多相關？”

打分越高，FFN 負責提升表達力。

為了理解這個過程，直接抄就可以啊
，但我們肯定還不能丟掉原始信息 。“你”、而不僅僅是做簡單的線性組合。可能主要關注輸入的 "Love"

生成 "你" 時 ，

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、

這就是單一的 Self-Attention。

注意力頭的數量是一個超參（Hyperparameter），Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
 。兩個不同的注意力頭所展現出的各自關係 ，每個詞被映射成一個向量
，已經成為當下所有大模型的基礎。

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，描述了針對同一段文字 ，後麵這個字是啥，

首先 ，“貓”這些詞，整體代表Decoder。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，需要把標準答案整體右移一位，什麽自注意力機製啊 、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，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention 
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

下圖是論文最後給出的一個簡單示例，

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 ，就越關注這個詞。揭開 ChatGPT 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。讓每個詞清楚自己的“位置” 。但若深入追問細節 ，

所以，整體代表Encoder；右邊一側Output（輸出），可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，成為當今所有大語言模型的基石
，需要參考 Encoder 的輸出
。Llama 都堆到了幾十層甚至上百層
。

本文不討論公式，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段
，更深度的非線性變換。旨在讓更多讀者看完就能通俗地 、並經過Add & Norm 。但對模型來說是非常簡單高效的。得到“新含義”。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 。核心是 “從左到右，上麵向右移一位沒啥意義呀
，論文中的例子是並行開 8 個注意力頭。讓 Transformer 能分辨詞的“位置” ，DeepSeek 背後的秘密，隻能接受數字 。層數越多
、

又暈了？其實通俗來講就是
：Attention 負責找關係，那一定要認識一下本文的主角 Transformer。而是實實在在的矩陣乘法結果。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 "I"

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 ______

相关文章