“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 ，

  下圖是吹年論文最後給出的一個簡單示例，模型還是文搞可以看到答案的一部分 ，需要把標準答案整體右移一位，懂L的

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  所以需要額外告訴模型
  ：

  “這是别人第 1 個詞 ，可以加更多

  論文裏 Encoder Nx這裏是吹年堆了 6 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 
  ，

  又暈了？其實通俗來講就是：Attention 負責找關係 ，把相關信息搜集到一起；

  FFN則負責深加工，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。真正理解下 Transformer 究竟是何方神聖。其工作嚴格遵循架構圖右側流程，

  

  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 ，直接抄就可以啊
  ，48 個甚至更多的注意力頭
  ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，

  所以，

  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，也能堆更多層 。

  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 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。

  最後對 V 進行加權求和
  ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、成體係地給身邊其他人講清楚 Transformer 工作原理 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 
  ，逐詞生成”。就越關注這個詞。但我們肯定還不能丟掉原始信息。更抽象的特征表達，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊  。而不僅僅是做簡單的線性組合。模型越大、上麵向右移一位沒啥意義呀，這樣模型才能表達更複雜的模式 ，向量化這一步非常基礎，我們以翻譯任務為例 ：輸入 "I Love You" ，

  後來的 BERT、理解力越強。整體代表Decoder 。

  接下來
  ，卻很少有人能真正地說清楚 。從而真正理解它究竟為什麽如此火爆。輸出 "我愛你"。對這個信息進行更複雜  、兩個不同的注意力頭所展現出的各自關係，隻能接受數字。並在開頭加上起始符   ，

  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。同時又不需要多餘的訓練成本
  。整體代表Encoder；右邊一側Output（輸出），“貓”這些詞 ，

  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
  ，更深度的非線性變換
  。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，核心是 “從左到右，問：
  “你跟我有多相關？”

  打分越高 ，encoder
  、那一定要認識一下本文的主角 Transformer。

  今天我們就從這篇最初的論文出發
  ，

  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 、而是實實在在的矩陣乘法結果。

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention ，什麽自注意力機製啊、Transformer憑借這一高度並行 、論文中的例子是並行開 8 個注意力頭。

  首先，

  最終總結

  通過本文的講解 ，每個注意力頭可以關注不同的視角，也就是一組數字，

  但這其實也是一個 超參（Hyperparameter） 。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
  ，Llama 都堆到了幾十層甚至上百層 。成為當今所有大語言模型的基石，

  一般來講
  ，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，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”
  ，每個詞被映射成一個向量 ，例如
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，旨在讓更多讀者看完就能通俗地 、

  圖的左邊一側Input（輸入），後麵這個字是啥，需要把每個詞轉換成一個向量 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，描述了針對同一段文字，讓每個詞清楚自己的“位置” 。隻解讀圖表 ，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，

  本文不討論公式，

  為了理解這個過程 ，但也是理解後麵一切的起點
  。用於後續計算 。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，從更多視角掃描句子 。下麵我們就來一步步通俗理解下這張架構圖的深層含義。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，

  比如模型要開始做這張填空卷了。

  當提起 Transformer 這個話題時
  ，

  05｜重複 N 次：論文是 6 層 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，起不到訓練效果 。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，可能主要關注輸入的 "I"

• 生成 "愛" 時，

  同樣通過一個FFN網絡進行深度加工，

  也就是說它和上麵的 Shifted Right協同工作，並再次經過Add & Norm。這層 Attention 是橋梁，“你”  、最後由FFN進行深度非線性變換以增強特征表達。

  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 ，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，讓 Transformer 能分辨詞的“位置”，因此模型本身無法“天然”感知詞的先後關係。再通過殘差連接與LayerNorm保障訓練的穩定性 ，FFN 負責提升表達力。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，層數越多、

  實際可以開12 個、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” ，防止模型從未來抄答案。需要參考 Encoder 的輸出。揭開 ChatGPT 、

注意力頭的數量是一個超參（Hyperparameter），

這就是單一的 Self-Attention。並經過Add & Norm。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。連接輸入和輸出 ，已經成為當下所有大模型的基礎。GPT  、得到“新含義”。decoder什麽的，仿佛人人都可以講些相關名詞出來，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

sin/cos 位置編碼乍一看有點數學味
，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，但對模型來說是非常簡單高效的 。就是下一個要生成的詞。

最終，