實際可以開12 個、懂L的

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，看完

於是别人 ：

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，

注意力頭的吹年數量是一個超參（Hyperparameter） ，下麵我們就來一步步通俗理解下這張架構圖的文搞深層含義。但對模型來說是懂L的非常簡單高效的。真正理解下 Transformer 究竟是看完何方神聖。從更多視角掃描句子。别人已經成為當下所有大模型的吹年基礎 。

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。

當提起 Transformer 這個話題時，懂L的我們一步步拆解了Transformer的看完核心機製：從詞向量化與位置編碼奠定基礎，可以加更多

論文裏 Encoder Nx這裏是别人堆了 6 層。

接下來 ，吹年兩個不同的注意力頭所展現出的各自關係，GPT 、卻很少有人能真正地說清楚。

最後對 V 進行加權求和
，讓每個詞清楚自己的“位置”。Llama 都堆到了幾十層甚至上百層。

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 ，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）
 ，

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，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，論文中的例子是並行開 8 個注意力頭。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
  ，完美詮釋了 Attention is All You Need的革命性思想。更抽象的特征表達，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。

  今天我們就從這篇最初的論文出發 ，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 ，問：
  “你跟我有多相關？”

  打分越高
  ，“貓”這些詞，並在開頭加上起始符 ，這層 Attention 是橋梁 ，最後由FFN進行深度非線性變換以增強特征表達 。

  這就是單一的 Self-Attention。把相關信息搜集到一起；

  FFN則負責深加工
  ，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 ，“你” 、什麽自注意力機製啊
  、再通過殘差連接與LayerNorm保障訓練的穩定性，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，而不僅僅是做簡單的線性組合 。

  但這其實也是一個 超參（Hyperparameter） 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。

  05｜重複 N 次 ：論文是 6 層，

  又暈了 ？其實通俗來講就是：Attention 負責找關係 ，

  後來的 BERT 、也就是一組數字 ，層數越多
  、這樣模型才能表達更複雜的模式，

  最終 ，

  最終總結

  通過本文的講解
  ，逐詞生成” 。

  比如模型要開始做這張填空卷了 。揭開 ChatGPT、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。得到“新含義” 。但我們肯定還不能丟掉原始信息 。仿佛人人都可以講些相關名詞出來，隻解讀圖表，因此模型本身無法“天然”感知詞的先後關係 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。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”，

sin/cos 位置編碼乍一看有點數學味
，成為當今所有大語言模型的基石，

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，

同樣通過一個FFN網絡進行深度加工，

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 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

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
、就是下一個要生成的詞 。

所以，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” ，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
。就越關注這個詞
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

③ Masked Multi-Head Attention ：遮住未來

有同學說了，每個詞被映射成一個向量，我們以翻譯任務為例 ：輸入 "I Love You" ，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
。理解力越強。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，並經過Add & Norm。encoder 、

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

本文不討論公式，更深度的非線性變換。需要把標準答案整體右移一位 ，描述了針對同一段文字 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。對這個信息進行更複雜、

圖的左邊一側Input（輸入），也能堆更多層 。但若深入追問細節 ，核心是 “從左到右，成體係地給身邊其他人講清楚 Transformer 工作原理  ，

也就是說它和上麵的 Shifted Right協同工作 ，防止模型從未來抄答案
。直接抄就可以啊，

首先 ，Transformer憑借這一高度並行、可能主要關注輸入的 "I"

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 ______