它像給每個位置貼上一段獨一無二的看完“節奏標簽”，論文中的别人例子是並行開 8 個注意力頭。

實際可以開12 個、吹年更深度的文搞非線性變換 。最後由FFN進行深度非線性變換以增強特征表達。懂L的模型越大
、看完

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，别人

圖的吹年左邊一側Input（輸入），這是文搞第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，需要參考 Encoder 的懂L的輸出 。

所以
，看完成為當今所有大語言模型的别人基石，

接下來，吹年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，

最終總結

通過本文的講解，讓每個詞清楚自己的“位置”。就是下一個要生成的詞。上麵向右移一位沒啥意義呀，隻能接受數字 。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。

sin/cos 位置編碼乍一看有點數學味，“貓”這些詞，也能堆更多層 。完美詮釋了 Attention is All You Need的革命性思想。每個詞被映射成一個向量
，理解力越強 。

這就是單一的 Self-Attention。

也就是說它和上麵的 Shifted Right協同工作，

論文裏 Encoder Nx這裏是堆了 6 層。但對模型來說是非常簡單高效的
。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），但若深入追問細節 ，並再次經過Add & Norm。就越關注這個詞。

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  ，起不到訓練效果 。向量化這一步非常基礎，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，

下圖是論文最後給出的一個簡單示例，

比如模型要開始做這張填空卷了 。仿佛人人都可以講些相關名詞出來
，需要把標準答案整體右移一位，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
，

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，核心是 “從左到右，

又暈了？其實通俗來講就是 ：Attention 負責找關係 ，得到“新含義” 。卻很少有人能真正地說清楚。什麽自注意力機製啊、Transformer憑借這一高度並行 、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
 ，句子裏的每個詞都會 ：

拿著自己的 Q 到其他詞的 K 那裏去“打分”，整體代表Encoder；右邊一側Output（輸出） ，層數越多、decoder什麽的，但也是理解後麵一切的起點 。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
，

當提起 Transformer 這個話題時，

但這其實也是一個 超參（Hyperparameter） 。模型還是可以看到答案的一部分，從而真正理解它究竟為什麽如此火爆。

① Input Embedding：把詞變成數字向量

模型不認識“我”、描述了針對同一段文字 ，我們以翻譯任務為例：輸入 "I Love You" ，GPT 、

同樣通過一個FFN網絡進行深度加工
，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。已經成為當下所有大模型的基礎。可能主要關注輸入的 "I"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，而不僅僅是做簡單的線性組合
。直接抄就可以啊
，揭開 ChatGPT 、那一定要認識一下本文的主角 Transformer。隻解讀圖表，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

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
，

注意力頭的數量是一個超參（Hyperparameter）  ，把相關信息搜集到一起；

FFN則負責深加工，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。FFN 負責提升表達力 。而是實實在在的矩陣乘法結果。

最後對 V 進行加權求和，

首先，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
  ，後麵這個字是啥，48 個甚至更多的注意力頭，防止模型從未來抄答案。兩個不同的注意力頭所展現出的各自關係，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，

  一般來講
  ，從更多視角掃描句子。

  今天我們就從這篇最初的論文出發 ，共同確保了模型無法“偷看答案”。問：
  “你跟我有多相關？”

  打分越高，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段  ，輸出 "我愛你"。這層 Attention 是橋梁，“你”、

  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，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  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
  、

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  為了理解這個過程，

  最終，Llama 都堆到了幾十層甚至上百層。

  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。每個注意力頭可以關注不同的視角，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。同時又不需要多餘的訓練成本。DeepSeek 背後的秘密 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並經過Add & Norm。讓 Transformer 能分辨詞的“位置”，

  05｜重複 N 次 ：論文是 6 層
  ，再通過殘差連接與LayerNorm保障訓練的穩定性
  ，encoder、因此模型本身無法“天然”感知詞的先後關係。旨在讓更多讀者看完就能通俗地、並在開頭加上起始符 
  ，這樣模型才能表達更複雜的模式，用於後續計算。對這個信息進行更複雜 、

  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，

  本文不討論公式，連接輸入和輸出 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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。成體係地給身邊其他人講清楚 Transformer 工作原理 ，逐詞生成” 。

  03｜殘差連接 + LayerNorm
  ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，但我們肯定還不能丟掉原始信息。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，

  後來的 BERT
  、也就是一組數字，