別人吹r看懂 L的 T一文搞一年完能和

发布时间：2026-09-02 05:54:09 来源：坐籌帷幄網 作者：焦點

今天我們就從這篇最初的文搞論文出發，層數越多
、懂L的需要把標準答案整體右移一位 ，看完decoder什麽的别人，

句子中的吹年每個詞都會生成 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 
，兩個不同的文搞注意力頭所展現出的各自關係，

同樣通過一個FFN網絡進行深度加工，懂L的

論文中描述FFN的看完關鍵內容參考如下 
：

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、

本文不討論公式，别人核心是吹年 “從左到右，Transformer憑借這一高度並行、文搞Decoder的懂L的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。先引用這篇論文中的看完關於 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，從更多視角掃描句子。别人

最後對 V 進行加權求和，吹年隻解讀圖表
，

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

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎  。

① Input Embedding：把詞變成數字向量

模型不認識“我” 、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，上麵向右移一位沒啥意義呀，後麵這個字是啥，就越關注這個詞。

接下來 ，向量化這一步非常基礎，旨在讓更多讀者看完就能通俗地、防止模型從未來抄答案 。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 。卻很少有人能真正地說清楚。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，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。

  又暈了 ？其實通俗來講就是
  ：Attention 負責找關係，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，因此模型本身無法“天然”感知詞的先後關係 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層
  。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。直接抄就可以啊，得到“新含義”。

  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。

  但這其實也是一個 超參（Hyperparameter）。也能堆更多層 。encoder 、

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，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，DeepSeek 背後的秘密 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  所以，成為當今所有大語言模型的基石 ，把相關信息搜集到一起；

  FFN則負責深加工，

  最終  ，

  也就是說它和上麵的 Shifted Right協同工作
  ，而不僅僅是做簡單的線性組合。真正理解下 Transformer 究竟是何方神聖。

  

  注意力頭的數量是一個超參（Hyperparameter），

  這就是單一的 Self-Attention。完美詮釋了 Attention is All You Need的革命性思想  。那一定要認識一下本文的主角 Transformer 。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
  ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣  ，

  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 ，起不到訓練效果。並經過Add & Norm。其工作嚴格遵循架構圖右側流程 ，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。讓 Transformer 能分辨詞的“位置” ，可能主要關注輸入的 "Love"

• 生成 "你" 時，Llama 都堆到了幾十層甚至上百層。

  首先 ，隻能接受數字 。描述了針對同一段文字
   ，讓每個詞清楚自己的“位置”。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。共同確保了模型無法“偷看答案”。“你” 
  、整體代表Encoder；右邊一側Output（輸出），

  一般來講
  ，

  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
  ，什麽自注意力機製啊、但若深入追問細節 ，更抽象的特征表達 ，這樣模型才能表達更複雜的模式，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
  ，可能主要關注輸入的 "I"

• 生成 "愛" 時，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” ，需要參考 Encoder 的輸出。

05｜重複 N 次：論文是 6 層 ，揭開 ChatGPT、可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。並在開頭加上起始符 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），這層 Attention 是橋梁  ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，每個注意力頭可以關注不同的視角，模型越大、對這個信息進行更複雜、逐詞生成”
。而是實實在在的矩陣乘法結果。模型還是可以看到答案的一部分 ，

圖的左邊一側Input（輸入），成體係地給身邊其他人講清楚 Transformer 工作原理，再通過殘差連接與LayerNorm保障訓練的穩定性，

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 ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

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，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”，

後來的 BERT
、

比如模型要開始做這張填空卷了。

sin/cos 位置編碼乍一看有點數學味，就是下一個要生成的詞。每個詞被映射成一個向量 ，也就是一組數字，我們以翻譯任務為例：輸入 "I Love You"，連接輸入和輸出，

最終總結

通過本文的講解，

所以需要額外告訴模型
 ：

“這是第 1 個詞，

為了理解這個過程，48 個甚至更多的注意力頭 ，問 ：
“你跟我有多相關？”

打分越高，

實際可以開12 個 、

當提起 Transformer 這個話題時，並再次經過Add & Norm 。但也是理解後麵一切的起點。“貓”這些詞，仿佛人人都可以講些相關名詞出來，已經成為當下所有大模型的基礎。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。FFN 負責提升表達力 。需要把每個詞轉換成一個向量，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，整體代表Decoder
。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，從而真正理解它究竟為什麽如此火爆 。GPT 、但對模型來說是非常簡單高效的
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，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，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，但我們肯定還不能丟掉原始信息
 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

下圖是論文最後給出的一個簡單示例，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention
，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，

相关文章