“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
  ，DeepSeek 背後的秘密 ，

  也就是說它和上麵的 Shifted Right協同工作，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，

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，

  為了理解這個過程，上麵向右移一位沒啥意義呀，這層 Attention 是橋梁 ，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，

  05｜重複 N 次：論文是 6 層 ，並在開頭加上起始符  ，逐詞生成” 。需要把標準答案整體右移一位，完美詮釋了 Attention is All You Need的革命性思想。

  後來的 BERT、

  實際可以開12 個 、讓 Transformer 能分辨詞的“位置”
  ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。描述了針對同一段文字，直接抄就可以啊，Transformer憑借這一高度並行 、

  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
  ，並再次經過Add & Norm 。最後由FFN進行深度非線性變換以增強特征表達。但我們肯定還不能丟掉原始信息。隻能接受數字。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，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），核心是 “從左到右，

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

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器” ，Llama 都堆到了幾十層甚至上百層。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、同時又不需要多餘的訓練成本 。把相關信息搜集到一起；

  FFN則負責深加工 ，向量化這一步非常基礎，論文中的例子是並行開 8 個注意力頭。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。因此模型本身無法“天然”感知詞的先後關係。

  

  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，

  圖的左邊一側Input（輸入） ，從更多視角掃描句子。每個詞被映射成一個向量 ，FFN 負責提升表達力
  。讓每個詞清楚自己的“位置” 。

  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 
  ，更深度的非線性變換。

  但若深入追問細節，層數越多 、再通過殘差連接與LayerNorm保障訓練的穩定性，兩個不同的注意力頭所展現出的各自關係 ，“你” 、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。而是實實在在的矩陣乘法結果
  。什麽自注意力機製啊 、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”，輸出 "我愛你"。這樣模型才能表達更複雜的模式，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 
  ，整體代表Decoder。下麵我們就來一步步通俗理解下這張架構圖的深層含義。已經成為當下所有大模型的基礎。整體代表Encoder；右邊一側Output（輸出） ，就越關注這個詞
  。就是下一個要生成的詞。模型還是可以看到答案的一部分，

  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 ，防止模型從未來抄答案 。揭開 ChatGPT、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。我們以翻譯任務為例 ：輸入 "I Love You" ，

  首先，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，更抽象的特征表達  ，

  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 ，

  一般來講，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  最終總結

  通過本文的講解
  ，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 。

  但這其實也是一個 超參（Hyperparameter） 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式
  ，GPT 、理解力越強
  。得到“新含義”。

  最後對 V 進行加權求和 
  ，起不到訓練效果。而不僅僅是做簡單的線性組合 。

  所以
   ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  當提起 Transformer 這個話題時，隻解讀圖表，

  最終，48 個甚至更多的注意力頭，仿佛人人都可以講些相關名詞出來，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，

  下圖是論文最後給出的一個簡單示例 ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，

  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。encoder
  、真正理解下 Transformer 究竟是何方神聖。成為當今所有大語言模型的基石 ，

  

  注意力頭的數量是一個超參（Hyperparameter），也能堆更多層 。需要把每個詞轉換成一個向量
  ，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，那一定要認識一下本文的主角 Transformer。

  

  sin/cos 位置編碼乍一看有點數學味，卻很少有人能真正地說清楚 。

  比如模型要開始做這張填空卷了 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。也就是一組數字，“貓”這些詞，

  本文不討論公式 ，對這個信息進行更複雜、例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，連接輸入和輸出，decoder什麽的，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，後麵這個字是啥，

  今天我們就從這篇最初的論文出發，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，但對模型來說是非常簡單高效的 。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，每個注意力頭可以關注不同的視角，

  同樣通過一個FFN網絡進行深度加工，需要參考 Encoder 的輸出。

  這就是單一的 Self-Attention。

  作者:探索