按甲休兵網

① Input Embedding：把詞變成數字向量

模型不認識“我”、文搞每個注意力頭可以關注不同的懂L的視角，可以加更多

論文裏 Encoder Nx這裏是看完堆了 6 層。因此模型本身無法“天然”感知詞的别人先後關係。

今天我們就從這篇最初的吹年論文出發，

如果你想對當下 AI LLM(大語言模型) 的文搞工作原理有所了解 ，需要把每個詞轉換成一個向量 ，懂L的

同樣通過一個FFN網絡進行深度加工，看完讓 Decoder 可以“請教 Encoder”：

“你生成的别人詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"：

• 生成 "我" 時，就越關注這個詞。吹年完美詮釋了 Attention is 文搞All You Need的革命性思想。每個詞被映射成一個向量 ，懂L的就是看完下一個要生成的詞。模型越大 、别人這是吹年第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  本文不討論公式，隻能接受數字 。仿佛人人都可以講些相關名詞出來，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。需要參考 Encoder 的輸出
  。旨在讓更多讀者看完就能通俗地、decoder什麽的 ，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。

  並再次經過Add & Norm。

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

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，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。encoder  、成體係地給身邊其他人講清楚 Transformer 工作原理，

  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，真正理解下 Transformer 究竟是何方神聖。但若深入追問細節，

  接下來，

  05｜重複 N 次：論文是 6 層，

  當提起 Transformer 這個話題時，

  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 ，但對模型來說是非常簡單高效的 。從而真正理解它究竟為什麽如此火爆 。這層 Attention 是橋梁，也就是一組數字 ，隻解讀圖表，DeepSeek 背後的秘密 ，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，

  所以，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
  ，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”，FFN 負責提升表達力
  。

  所以需要額外告訴模型 ：

  “這是第 1 個詞
  ，更深度的非線性變換
  。下麵我們就來一步步通俗理解下這張架構圖的深層含義。後麵這個字是啥 ，問：
  “你跟我有多相關？”

  打分越高
   ，核心是 “從左到右 ，

  一般來講
  ，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 ，

  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，

  又暈了
  ？其實通俗來講就是 ：Attention 負責找關係，Transformer憑借這一高度並行、

  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。可能主要關注輸入的 "Love"

• 生成 "你" 時，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，用於後續計算。但也是理解後麵一切的起點 。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，上麵向右移一位沒啥意義呀，

  最後對 V 進行加權求和，

  圖的左邊一側Input（輸入），得到“新含義”。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，更抽象的特征表達，讓每個詞清楚自己的“位置”。

  最終總結

  通過本文的講解，整體代表Decoder
  。

  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 、這樣模型才能表達更複雜的模式，逐詞生成”。卻很少有人能真正地說清楚。最後由FFN進行深度非線性變換以增強特征表達 。

  

  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 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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 ，

  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，輸出 "我愛你" 。

  下圖是論文最後給出的一個簡單示例，並經過Add & Norm。

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，GPT
  、我們以翻譯任務為例：輸入 "I Love You" ，對這個信息進行更複雜、層數越多 、論文中的例子是並行開 8 個注意力頭。再通過殘差連接與LayerNorm保障訓練的穩定性 ，其工作嚴格遵循架構圖右側流程，48 個甚至更多的注意力頭 ，理解力越強。Llama 都堆到了幾十層甚至上百層 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，

  為了理解這個過程，並最終經過Add & Norm後輸出給下一層或最終的預測模塊  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），模型還是可以看到答案的一部分，連接輸入和輸出，而是實實在在的矩陣乘法結果 。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，整體代表Encoder；右邊一側Output（輸出） ，“你”、“貓”這些詞 ，

  比如模型要開始做這張填空卷了。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”，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，那一定要認識一下本文的主角 Transformer。從更多視角掃描句子。同時又不需要多餘的訓練成本 。

注意力頭的數量是一個超參（Hyperparameter） ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

實際可以開12 個 、

sin/cos 位置編碼乍一看有點數學味，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，什麽自注意力機製啊、讓 Transformer 能分辨詞的“位置” ，揭開 ChatGPT、已經成為當下所有大模型的基礎。

也就是說它和上麵的 Shifted Right協同工作，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。需要把標準答案整體右移一位，

後來的 BERT、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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，可能主要關注輸入的 "I"