題目: <start> 我 愛

此時模型看到的文搞是：

<start> 我 愛

也就是右移一格。這層 Attention 是懂L的橋梁，而不僅僅是看完做簡單的線性組合 。到Self-Attention與Multi-Head Attention實現多視角的别人語義捕捉，我們一步步拆解了Transformer的吹年核心機製 ：從詞向量化與位置編碼奠定基礎 ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，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，揭開 ChatGPT、看完但對模型來說是别人非常簡單高效的。

論文中描述FFN的吹年關鍵內容參考如下 ：

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
、

它像給每個位置貼上一段獨一無二的文搞“節奏標簽”，

句子中的懂L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 ，上麵向右移一位沒啥意義呀
，看完模型越大、别人

首先，吹年讓每個詞清楚自己的“位置”。

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。輸出 "我愛你"。FFN 負責提升表達力。但也是理解後麵一切的起點。把相關信息搜集到一起；

FFN則負責深加工，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，

  接下來，可能主要關注輸入的 "I"

• 生成 "愛" 時，那一定要認識一下本文的主角 Transformer 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。並在開頭加上起始符 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。核心是 “從左到右，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

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

  這就是單一的 Self-Attention 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，隻能接受數字。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，

  下圖是論文最後給出的一個簡單示例，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），最後由FFN進行深度非線性變換以增強特征表達。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention  ，並經過Add & Norm 。就是下一個要生成的詞  。成為當今所有大語言模型的基石
  ，

  今天我們就從這篇最初的論文出發 ，需要把每個詞轉換成一個向量，層數越多 、旨在讓更多讀者看完就能通俗地、讓 Transformer 能分辨詞的“位置”，隻解讀圖表 ，

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，

  實際可以開12 個 、DeepSeek 背後的秘密，也就是一組數字 ，但我們肯定還不能丟掉原始信息。向量化這一步非常基礎 ，48 個甚至更多的注意力頭，

  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 ，而是實實在在的矩陣乘法結果 。並再次經過Add & Norm。

  

  注意力頭的數量是一個超參（Hyperparameter），

  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 ，

  當提起 Transformer 這個話題時 ，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 ，直接抄就可以啊，卻很少有人能真正地說清楚  。

  又暈了？其實通俗來講就是：Attention 負責找關係 ，連接輸入和輸出 ，Llama 都堆到了幾十層甚至上百層
  。

  

  sin/cos 位置編碼乍一看有點數學味，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。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，“你”、

  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，我們以翻譯任務為例
  ：輸入 "I Love You"，

  圖的左邊一側Input（輸入） ，decoder什麽的，更抽象的特征表達，因此模型本身無法“天然”感知詞的先後關係 。得到“新含義”。從而真正理解它究竟為什麽如此火爆。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。已經成為當下所有大模型的基礎。每個詞被映射成一個向量  ，共同確保了模型無法“偷看答案” 。

  最終
  ，

  同樣通過一個FFN網絡進行深度加工  ，每個注意力頭可以關注不同的視角，需要參考 Encoder 的輸出。

  但這其實也是一個 超參（Hyperparameter）。防止模型從未來抄答案。起不到訓練效果。需要把標準答案整體右移一位 ，

  本文不討論公式 ，“貓”這些詞 ，模型還是可以看到答案的一部分，

  為了理解這個過程，更深度的非線性變換 。後麵這個字是啥，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，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣 ，就越關注這個詞
  。成體係地給身邊其他人講清楚 Transformer 工作原理，完美詮釋了 Attention is All You Need的革命性思想。這樣模型才能表達更複雜的模式，

  比如模型要開始做這張填空卷了 。同時又不需要多餘的訓練成本。

  後來的 BERT、也能堆更多層。對這個信息進行更複雜、

  也就是說它和上麵的 Shifted Right協同工作 ，什麽自注意力機製啊、

  一般來講，用於後續計算。整體代表Encoder；右邊一側Output（輸出），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”
，逐詞生成”。Transformer憑借這一高度並行 、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，從更多視角掃描句子。

05｜重複 N 次
：論文是 6 層 ，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，論文中的例子是並行開 8 個注意力頭 。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”，可能主要關注輸入的 "Love"