“這是看完第 1 個詞 ，就越關注這個詞 。别人
03｜殘差連接 + LayerNorm
：讓訓練更穩定
Self-Attention 隻是吹年“加工”了一遍詞向量 ，
05｜重複 N 次 ：論文是 6 層，連接輸入和輸出 ，懂L的02｜為什麽需要 Multi-Head Attention ？看完
有了單一的 Self-Attention ，
下圖是别人論文最後給出的一個簡單示例
，什麽自注意力機製啊 、吹年可以加更多
論文裏 Encoder Nx這裏是文搞堆了 6 層 。需要把標準答案整體右移一位 ，懂L的模型越大 、看完並在開頭加上起始符 ，别人而不僅僅是吹年做簡單的線性組合 。從更多視角掃描句子 。“你”
、
但這其實也是一個 超參（Hyperparameter） 。層數越多、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 。卻很少有人能真正地說清楚。
所以
，
06｜Decoder 如何像人一樣“輸出”內容 ？
Decoder是模型的“寫作器” ，
① Output Embedding：先把輸出詞變向量
理解方式和輸入一樣 ，GPT、
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 ，把相關信息搜集到一起；
FFN則負責深加工 ，成為當今所有大語言模型的基石 ，可能主要關注輸入的 "I"
生成 "愛" 時 ，比如模型要開始做這張填空卷了 。模型還是可以看到答案的一部分，也就是一組數字 ，
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，用於後續計算
。encoder 、對這個信息進行更複雜 、防止模型從未來抄答案 。而是實實在在的矩陣乘法結果
。整體代表Encoder；右邊一側Output（輸出） ，
今天我們就從這篇最初的論文出發 ，
最後對 V 進行加權求和 ，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，但我們肯定還不能丟掉原始信息 。Llama 都堆到了幾十層甚至上百層 。
同樣通過一個FFN網絡進行深度加工 ，最後由FFN進行深度非線性變換以增強特征表達 。
② Shifted Right ：防止模型“偷看答案”
在模型訓練階段，更深度的非線性變換 。
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，共同確保了模型無法“偷看答案” 。需要把每個詞轉換成一個向量，但也是理解後麵一切的起點
。
最終
，理解力越強 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，完美詮釋了 Attention is All You Need的革命性思想
。讓 Transformer 能分辨詞的“位置”，真正理解下 Transformer 究竟是何方神聖
。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。核心是 “從左到右 ，
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。從而真正理解它究竟為什麽如此火爆 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，這層 Attention 是橋梁
，隻解讀圖表 ，更抽象的特征表達
，每個注意力頭可以關注不同的視角
，
當提起 Transformer 這個話題時 ，兩個不同的注意力頭所展現出的各自關係，
最終總結
通過本文的講解 ，DeepSeek 背後的秘密，揭開 ChatGPT
、我們以翻譯任務為例 ：輸入 "I Love You"，整體代表Decoder
。問 ：
“你跟我有多相關？”
打分越高 ，
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，但對模型來說是非常簡單高效的 。逐詞生成”。
也就是說它和上麵的 Shifted Right協同工作 ，向量化這一步非常基礎 ，
接下來 ，
實際可以開12 個
、48 個甚至更多的注意力頭，
注意力頭的數量是一個超參（Hyperparameter） ，這樣模型才能表達更複雜的模式 ，起不到訓練效果 。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 ，已經成為當下所有大模型的基礎 。
後來的 BERT 、並經過Add & Norm 。
③ Masked Multi-Head Attention ：遮住未來
有同學說了 ，
本文不討論公式
，讓每個詞清楚自己的“位置” 。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” ，仿佛人人都可以講些相關名詞出來 ，“貓”這些詞 ，
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 ，
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
，可能主要關注輸入的 "Love"
生成 "你" 時 ，同時又不需要多餘的訓練成本 。它像給每個位置貼上一段獨一無二的“節奏標簽”，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 ，那一定要認識一下本文的主角 Transformer。
模型不認識“我”、
圖的左邊一側Input（輸入） ，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” ，論文中的例子是並行開 8 個注意力頭 。FFN 負責提升表達力 。但若深入追問細節
，
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 、因此模型本身無法“天然”感知詞的先後關係
。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
。就是下一個要生成的詞 。
為了理解這個過程
，需要參考 Encoder 的輸出
。也能堆更多層
。直接抄就可以啊 ，每個詞被映射成一個向量
，
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 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，上麵向右移一位沒啥意義呀 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。
首先 ，隻能接受數字 。得到“新含義” 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，decoder什麽的 ，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 ，
04｜Feed Forward 網絡（FFN）
：進一步加工語義
Attention層負責廣撒網 ，
一般來講，這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ，旨在讓更多讀者看完就能通俗地 、描述了針對同一段文字
，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
，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
，它需要依次填出三個空：
喜欢
讨厌