花了一点时间来学习和研究经典的transformer架构及原理，这个是2017年谷歌的一个论文，开拓了AI的新时代，尽量通俗易懂的解释一下，做好笔记把它记录下来。

先看下整体的架构图：

有几个部分，举个例子来说，比如“请介绍一些《孙子兵法》这本”，这13个词，咱们先暂定26个token哈。主要用于后面举例说明。咱们分开来理解，先看左边部分。

1、tokenization原理，对应的是token化，在输入的语句中进行token化，一般而言，一个100token个对应50给汉字，100个token对应75给英文单词，是一个分词拆分法，大家有没有想过，为什么不是一个汉字或者一个英文单词对应一个token呢？如果一个字或者一个单词对应一个token,那么这个token词表会一直变大，因为有一些新的字出现，其次，像，河，海，英文happy,unhappy,happiness，可以复用token的，最后，分词拆分法也是可以增加一些语义的理解。像上面例子一看就知道一些意思。

2、词元嵌入表示，embedding模型，就是将token进行向量化，计算机的世界是识别数字的，万事万物皆可向量化。向量空间即是特征，我们可以从向量中提取特征，所谓的特征工程。向量化里有一个one-hot编码，一个token对应是一个512维的向量（transfomer是512维的向量），一个1和其他维度都是0，这种编码也是有问题的，就是在整个向量空间里第一是太稀疏了，第二没有距离，第三没有数量关系或逻辑关系。

3、位置编码positional Encoding，就是定义一个向量表示词的位置，有了这个向量是增加语义的理解，比如“狗咬了猫”，“猫咬了狗” 字是一样的，但是位置不一样，他们的含义也是不同的。这个向量也是512维。

4、这时候看图才进入编码器Encoding，编码器包含2个部分，一个是多头自注意力机制，另外一个是位置感知前馈神经网络

多头注意力机制，公式是Attention(Q,K,V)=softmax(Q*K(T)/开根号dk)*V 不会弄就中文解释下，这公式的意思是，请把注意力放到重要的信息上。咱们先了解什么是注意力机制？什么是自注意力机制？什么是多头注意力机制？

看如下图来理解注意力机制

这个图是理解为一维的，也增加二维（身高178，腰围38），对应的K也要是二维的（身高，腰围），V值也加，比如预测（体重，腿长），还可以是多维的，大脑里细品哈，只要有数据，任何东西都可以预测。

自注意力机制，核心是做信息的聚合，就是自己跟自己去比较计算，想像一下，前面例子26个token，对应26个向量，对应是26个512维的向量空间，结合上面的图，把所有的数据替换成26个512维的向量值，然后按照图的计算公式进行计算，得到的值也是一个26个的512维向量。（V中智是每个向量的加权求和）

多头自注意力机制，引入多个专家去关注不同的注意点，然后再进行自注意力机制的计算，但是transformer里面引入了神经网络进行了向量的线性的变换。比如原始的26*512维向量，进行向量变换，生成3个不同的Wq,Wk,Wv向量，这个经过神经网络的线性变换后，从而突出某些需要突出的，弱化某些需要弱化的。

纯写文字，可能不太好理解，结合上面图来理解一下。上图分左/中/右

中间输入是26*512维的向量，经过linear线性变换后，看左边的图，Q和K和V变换成26*（512/8=64）维的向量了,通过Scale缩放点积和softmax。后面的concatenate将8个26*64的向量合并，最后输出是26*512维的向量。

然后再说下位置感知前馈神经网络，就是一个全连接的神经网络，输入的26*512维向量 经过线性变换，激活函数变成26*2024维的向量，再转换变成26*512的向量进行输出。

5、右边部分是解码器，从下往上看，前面的输出、token化、词元嵌入表示、位置编码这4部分跟编码器是一样的。不一样的是掩码多头自注意力机制、多头注意力机制

掩码多头注意力机制，原理跟自注意力机制一样，区别在于，可以理解为一个把答案遮住的，看上图，对角线的右边全为白色，对应向量里全部为0.

6、编码器与解码器的区别是编码器输出的是向量，解码器输出的是概率，编码器一般用来做分析，解码器一般用来做生成。

7、linear和softmxa概率函数，一个26*512维的向量经过linear后，形成跟最后一个向量的相关度系数，得到的相关系数后进行softmax进行计算到概率，按概率最高的词去预测下一个字。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发