FFN則負責深加工，

注意力頭的數量是一個超參（Hyperparameter） ，後麵這個字是啥
，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

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 。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 。

最後對 V 進行加權求和，也能堆更多層。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。但對模型來說是非常簡單高效的 。也就是一組數字，防止模型從未來抄答案。起不到訓練效果。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，因此模型本身無法“天然”感知詞的先後關係。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，

  但這其實也是一個 超參（Hyperparameter）。

  最終，

  為了理解這個過程，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 。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，得到“新含義” 
  。“貓”這些詞
  ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，那一定要認識一下本文的主角 Transformer。48 個甚至更多的注意力頭 ，

  05｜重複 N 次：論文是 6 層，並再次經過Add & Norm。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，隻解讀圖表，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
   ，

  06｜Decoder 如何像人一樣“輸出”內容
   ？

  Decoder是模型的“寫作器”  ，這樣模型才能表達更複雜的模式，

  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 ，什麽自注意力機製啊、

  本文不討論公式，讓 Transformer 能分辨詞的“位置”
  ，輸出 "我愛你"。但也是理解後麵一切的起點。連接輸入和輸出，成為當今所有大語言模型的基石，從而真正理解它究竟為什麽如此火爆。而不僅僅是做簡單的線性組合。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
  ，可能主要關注輸入的 "I"

• 生成 "愛" 時，

  也就是說它和上麵的 Shifted Right協同工作，理解力越強
  。用於後續計算。

  首先，每個注意力頭可以關注不同的視角  ，仿佛人人都可以講些相關名詞出來，

  後來的 BERT、

  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，

  今天我們就從這篇最初的論文出發，向量化這一步非常基礎，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 ，

  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，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  最終總結

  通過本文的講解，最後由FFN進行深度非線性變換以增強特征表達 。

  圖的左邊一側Input（輸入），上麵向右移一位沒啥意義呀，核心是 “從左到右
  ，Transformer憑借這一高度並行、更抽象的特征表達，FFN 負責提升表達力。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。真正理解下 Transformer 究竟是何方神聖 。

  實際可以開12 個 、旨在讓更多讀者看完就能通俗地 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） 
  ，共同確保了模型無法“偷看答案”
  。DeepSeek 背後的秘密，

  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、我們以翻譯任務為例 ：輸入 "I Love You"
  ，整體代表Encoder；右邊一側Output（輸出）
  ，

  這就是單一的 Self-Attention 。

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，decoder什麽的，這層 Attention 是橋梁，再通過殘差連接與LayerNorm保障訓練的穩定性 ，需要把每個詞轉換成一個向量 ，

  

  sin/cos 位置編碼乍一看有點數學味，整體代表Decoder。

  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，並經過Add & Norm 。

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。逐詞生成”。

  比如模型要開始做這張填空卷了 。每個詞被映射成一個向量 ，其工作嚴格遵循架構圖右側流程，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”，兩個不同的注意力頭所展現出的各自關係，

  ① Input Embedding
  ：把詞變成數字向量

  模型不認識“我”、例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  下圖是論文最後給出的一個簡單示例，需要參考 Encoder 的輸出。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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

  又暈了？其實通俗來講就是 ：Attention 負責找關係
  ，但我們肯定還不能丟掉原始信息 。隻能接受數字 。對這個信息進行更複雜、

  一般來講 ，讓每個詞清楚自己的“位置”
  。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
   。從更多視角掃描句子
  。而是實實在在的矩陣乘法結果。卻很少有人能真正地說清楚 。論文中的例子是並行開 8 個注意力頭。

  同樣通過一個FFN網絡進行深度加工，更深度的非線性變換。

  接下來，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，需要把標準答案整體右移一位，揭開 ChatGPT 、描述了針對同一段文字，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，“你”、

• 上一篇：數學建模第五課：從矩形麵積最大問題學會建立優化模型
• 下一篇：這才是未來的“openclaw”

相关文章

• 写真设备参数完整
• 435 条真实骑行路书
• 名人对照完整整理
• 写真外景实战完整
• 骑行出发前完整准备
• 写真图片完整整理
• 52按摩实用指南与设备参考
• 按摩职业与培训指南
• 素人词典百科
• 送礼对象完整分析