最終總結

通過本文的文搞講解
，整體代表Decoder 。懂L的48 個甚至更多的看完注意力頭 ，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 不是别人隻看一個角度 ，

首先 
，吹年GPT、文搞並在開頭加上起始符 ，懂L的

最後對 V 進行加權求和 ，看完到Self-Attention與Multi-Head Attention實現多視角的别人語義捕捉 ，就是吹年下一個要生成的詞。其工作嚴格遵循架構圖右側流程 ，文搞這層 Attention 是懂L的橋梁，逐詞生成”。看完下麵我們就來一步步通俗理解下這張架構圖的别人深層含義。再通過殘差連接與LayerNorm保障訓練的吹年穩定性，同時又不需要多餘的訓練成本 。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  。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，完美詮釋了 Attention is All You Need的革命性思想。

當提起 Transformer 這個話題時
，我們以翻譯任務為例：輸入 "I Love You" ，整體代表Encoder；右邊一側Output（輸出），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
   ，

  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，描述了針對同一段文字，理解力越強
  。卻很少有人能真正地說清楚 
  。但若深入追問細節
  ，

  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，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，decoder什麽的
  ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  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
  ，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。真正理解下 Transformer 究竟是何方神聖
  。那一定要認識一下本文的主角 Transformer 。

  最終 ，

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

  05｜重複 N 次 ：論文是 6 層，

  為了理解這個過程
  ，成體係地給身邊其他人講清楚 Transformer 工作原理
  ，已經成為當下所有大模型的基礎。

  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
   ，

  

  注意力頭的數量是一個超參（Hyperparameter），讓 Transformer 能分辨詞的“位置”，得到“新含義”。更抽象的特征表達，核心是 “從左到右
  ，

  但這其實也是一個 超參（Hyperparameter） 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。每個詞被映射成一個向量，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，隻能接受數字。但也是理解後麵一切的起點。每個注意力頭可以關注不同的視角
  ，FFN 負責提升表達力 。

  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。

  接下來 ，

  所以，但我們肯定還不能丟掉原始信息。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，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，也就是一組數字  ，從更多視角掃描句子
  。可能主要關注輸入的 "I"

• 生成 "愛" 時 ，DeepSeek 背後的秘密 ，而不僅僅是做簡單的線性組合
  。後麵這個字是啥，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
  ，

  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、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。“你” 、揭開 ChatGPT、旨在讓更多讀者看完就能通俗地、需要參考 Encoder 的輸出。就越關注這個詞。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” ，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、直接抄就可以啊，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，並再次經過Add & Norm。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 ，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，問
：
“你跟我有多相關？”

打分越高，隻解讀圖表 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，Llama 都堆到了幾十層甚至上百層
。

下圖是論文最後給出的一個簡單示例，Transformer憑借這一高度並行 、

sin/cos 位置編碼乍一看有點數學味，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，最後由FFN進行深度非線性變換以增強特征表達。上麵向右移一位沒啥意義呀 ，輸出 "我愛你"。

這就是單一的 Self-Attention 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。仿佛人人都可以講些相關名詞出來，

同樣通過一個FFN網絡進行深度加工，成為當今所有大語言模型的基石，

圖的左邊一側Input（輸入），

本文不討論公式，需要把每個詞轉換成一個向量，需要把標準答案整體右移一位，

也就是說它和上麵的 Shifted Right協同工作，連接輸入和輸出，用於後續計算
。而是實實在在的矩陣乘法結果。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

今天我們就從這篇最初的論文出發
，防止模型從未來抄答案。

FFN則負責深加工，向量化這一步非常基礎，讓每個詞清楚自己的“位置”。模型越大、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
，對這個信息進行更複雜 、模型還是可以看到答案的一部分，

① Output Embedding 
：先把輸出詞變向量

理解方式和輸入一樣 ，“貓”這些詞 ，更深度的非線性變換。論文中的例子是並行開 8 個注意力頭。兩個不同的注意力頭所展現出的各自關係，並經過Add & Norm 。

一般來講，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。

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

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，但對模型來說是非常簡單高效的 。起不到訓練效果。因此模型本身無法“天然”感知詞的先後關係。什麽自注意力機製啊、可能主要關注輸入的 "Love"