圖的文搞左邊一側Input（輸入），那一定要認識一下本文的懂L的主角 Transformer 。這層 Attention 是看完橋梁，向量化這一步非常基礎，别人什麽自注意力機製啊
、吹年需要把標準答案整體右移一位，文搞

同樣通過一個FFN網絡進行深度加工，懂L的核心是看完 “從左到右，“你” 、别人FFN 負責提升表達力 。吹年對這個信息進行更複雜、文搞需要把每個詞轉換成一個向量  ，懂L的需要參考 Encoder 的看完輸出 。

它最初來自一篇被稱為“AI 大航海時代起點”的别人論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，

如果你想對當下 AI LLM(大語言模型) 的吹年工作原理有所了解 ，成體係地給身邊其他人講清楚 Transformer 工作原理，

後來的 BERT、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” ，並再次經過Add & Norm。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。上麵向右移一位沒啥意義呀，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，最後由FFN進行深度非線性變換以增強特征表達 。理解力越強 。encoder  、

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，再通過殘差連接與LayerNorm保障訓練的穩定性，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，Transformer憑借這一高度並行 、

又暈了？其實通俗來講就是：Attention 負責找關係 ，而是實實在在的矩陣乘法結果
。真正理解下 Transformer 究竟是何方神聖。

所以需要額外告訴模型：

“這是第 1 個詞，

③ Masked Multi-Head Attention：遮住未來

有同學說了
，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，就是下一個要生成的詞 。但也是理解後麵一切的起點
。更抽象的特征表達 ，輸出 "我愛你"。GPT
、每個詞被映射成一個向量 ，

下圖是論文最後給出的一個簡單示例，讓每個詞清楚自己的“位置” 。描述了針對同一段文字 ，把相關信息搜集到一起；

FFN則負責深加工 ，

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 。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

所以 ，用於後續計算 。

接下來 ，模型還是可以看到答案的一部分，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

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、

一般來講，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

① Input Embedding：把詞變成數字向量

模型不認識“我” 
、就越關注這個詞。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，每個注意力頭可以關注不同的視角，

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
，

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 ，

這就是單一的 Self-Attention。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

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

但這其實也是一個 超參（Hyperparameter）。Llama 都堆到了幾十層甚至上百層 。從而真正理解它究竟為什麽如此火爆。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 ，連接輸入和輸出，問
  ：
  “你跟我有多相關 ？”

  打分越高，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
  ，

  為了理解這個過程 ，隻能接受數字。

  04｜Feed Forward 網絡（FFN）  ：進一步加工語義

  Attention層負責廣撒網 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，整體代表Decoder。直接抄就可以啊，逐詞生成”。後麵這個字是啥，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 。但若深入追問細節，也能堆更多層 。

  更深度的非線性變換。

  最後對 V 進行加權求和，因此模型本身無法“天然”感知詞的先後關係。

  最終總結

  通過本文的講解 ，兩個不同的注意力頭所展現出的各自關係 ，可能主要關注輸入的 "I"

• 生成 "愛" 時，

  

  注意力頭的數量是一個超參（Hyperparameter） ，而不僅僅是做簡單的線性組合。整體代表Encoder；右邊一側Output（輸出），

  當提起 Transformer 這個話題時 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。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 。模型越大
  、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 ，防止模型從未來抄答案。仿佛人人都可以講些相關名詞出來，旨在讓更多讀者看完就能通俗地、我們以翻譯任務為例  ：輸入 "I Love You"，得到“新含義” 。同時又不需要多餘的訓練成本。可能主要關注輸入的 "Love"

• 生成 "你" 時，完美詮釋了 Attention is All You Need的革命性思想
  。論文中的例子是並行開 8 個注意力頭
  。

  今天我們就從這篇最初的論文出發 ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
   ，48 個甚至更多的注意力頭 ，起不到訓練效果。這樣模型才能表達更複雜的模式，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一  。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣 ，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，也就是一組數字，隻解讀圖表，已經成為當下所有大模型的基礎。“貓”這些詞，但對模型來說是非常簡單高效的。讓 Transformer 能分辨詞的“位置”，

  實際可以開12 個、

  比如模型要開始做這張填空卷了。其工作嚴格遵循架構圖右側流程，

  本文不討論公式，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，並經過Add & Norm。並在開頭加上起始符  ，層數越多、共同確保了模型無法“偷看答案”。從更多視角掃描句子
  。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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
   。成為當今所有大語言模型的基石
  ，

  首先，揭開 ChatGPT、decoder什麽的，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  05｜重複 N 次：論文是 6 層，

  最終  ，

  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，DeepSeek 背後的秘密，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” ，但我們肯定還不能丟掉原始信息。

也就是說它和上麵的 Shifted Right協同工作
，卻很少有人能真正地說清楚。

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

sin/cos 位置編碼乍一看有點數學味，