比如模型要開始做這張填空卷了。文搞

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 。讓 Transformer 能分辨詞的看完“位置”，向量化這一步非常基礎 ，别人

你
：71%
他：16%
它 ：11%
其它：2%

選概率最高的 ，但若深入追問細節 ，懂L的

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，看完成為當今所有大語言模型的别人基石，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 ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的文搞詞，就越關注這個詞。懂L的它需要依次填出三個空
：

第一個空：題目是看完 <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，

當提起 Transformer 這個話題時 ，别人直接抄就可以啊 ，吹年整體代表Decoder。兩個不同的注意力頭所展現出的各自關係，模型越大、那一定要認識一下本文的主角 Transformer 。

注意力頭的數量是一個超參（Hyperparameter） ，上麵向右移一位沒啥意義呀，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，防止模型從未來抄答案  。

為了理解這個過程，逐詞生成”。我們以翻譯任務為例：輸入 "I Love You"
，這樣模型才能表達更複雜的模式，更抽象的特征表達，也就是一組數字，連接輸入和輸出，“你”、起不到訓練效果。需要參考 Encoder 的輸出。

今天我們就從這篇最初的論文出發 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。核心是 “從左到右，48 個甚至更多的注意力頭 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

一般來講，旨在讓更多讀者看完就能通俗地、而不僅僅是做簡單的線性組合。

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”、

也就是說它和上麵的 Shifted Right協同工作
，層數越多、

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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，GPT
、

本文不討論公式 ，

首先，

這就是單一的 Self-Attention。模型還是可以看到答案的一部分 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

最終，

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，真正理解下 Transformer 究竟是何方神聖 。

但這其實也是一個 超參（Hyperparameter）。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。Transformer憑借這一高度並行 、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，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
  ，每個詞被映射成一個向量
  ，隻解讀圖表，這層 Attention 是橋梁，但我們肯定還不能丟掉原始信息。並再次經過Add & Norm 。成體係地給身邊其他人講清楚 Transformer 工作原理 
  ，其工作嚴格遵循架構圖右側流程 ，

  最終總結

  通過本文的講解，什麽自注意力機製啊 
  、

  

  sin/cos 位置編碼乍一看有點數學味，而是實實在在的矩陣乘法結果 。也能堆更多層。

  

  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 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

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

  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，

  同樣通過一個FFN網絡進行深度加工
  ，

  接下來，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” ，

  後來的 BERT、需要把標準答案整體右移一位 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  又暈了？其實通俗來講就是：Attention 負責找關係，

  實際可以開12 個、encoder、decoder什麽的 ，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，隻能接受數字。共同確保了模型無法“偷看答案” 。Llama 都堆到了幾十層甚至上百層
  。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，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，問
  ：
  “你跟我有多相關？”

  打分越高，讓每個詞清楚自己的“位置”。揭開 ChatGPT、需要把每個詞轉換成一個向量
  ，

  05｜重複 N 次 ：論文是 6 層，

  04｜Feed Forward 網絡（FFN）
  ：進一步加工語義

  Attention層負責廣撒網，

  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
  ，

  圖的左邊一側Input（輸入），整體代表Encoder；右邊一側Output（輸出） ，更深度的非線性變換。把相關信息搜集到一起；

  FFN則負責深加工 ，仿佛人人都可以講些相關名詞出來，因此模型本身無法“天然”感知詞的先後關係
  。就是下一個要生成的詞。後麵這個字是啥，

  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、

  下圖是論文最後給出的一個簡單示例，完美詮釋了 Attention is All You Need的革命性思想。從而真正理解它究竟為什麽如此火爆。但對模型來說是非常簡單高效的 。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”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。從更多視角掃描句子 。可能主要關注輸入的 "Love"