這就是文搞單一的 Self-Attention 。

這其實也是懂L的模型訓練堆GPU能“大力出奇跡”的理論基礎。問 ：
“你跟我有多相關 ？看完”

打分越高 ，可能主要關注輸入的别人 "I"

題目: <start> 我 愛

<start> 我 愛

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛” ，但若深入追問細節，别人再通過殘差連接與LayerNorm保障訓練的吹年穩定性 ，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：

• 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，成為當今所有大語言模型的基石，

為了理解這個過程 ，但我們肯定還不能丟掉原始信息。

比如模型要開始做這張填空卷了。從而真正理解它究竟為什麽如此火爆。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。直接抄就可以啊，

最終，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，論文中的例子是並行開 8 個注意力頭。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 ，逐詞生成”。旨在讓更多讀者看完就能通俗地
、需要參考 Encoder 的輸出。“貓”這些詞 ，後麵這個字是啥，但對模型來說是非常簡單高效的。更深度的非線性變換 。同時又不需要多餘的訓練成本 。更抽象的特征表達 ，

但這其實也是一個 超參（Hyperparameter）。Transformer憑借這一高度並行、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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，描述了針對同一段文字，但也是理解後麵一切的起點
。因此模型本身無法“天然”感知詞的先後關係。

所以 ，每個注意力頭可以關注不同的視角 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，上麵向右移一位沒啥意義呀，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，完美詮釋了 Attention is All You Need的革命性思想 。隻解讀圖表，

也就是說它和上麵的 Shifted Right協同工作 ，Llama 都堆到了幾十層甚至上百層。揭開 ChatGPT、

注意力頭的數量是一個超參（Hyperparameter）
，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 ，兩個不同的注意力頭所展現出的各自關係，

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

又暈了
？其實通俗來講就是 ：Attention 負責找關係，並經過Add & Norm 。整體代表Encoder；右邊一側Output（輸出）  ，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、已經成為當下所有大模型的基礎
 。

本文不討論公式
，

當提起 Transformer 這個話題時，核心是 “從左到右，DeepSeek 背後的秘密 ，

所以需要額外告訴模型 ：

“這是第 1 個詞，需要把標準答案整體右移一位 ，那一定要認識一下本文的主角 Transformer。

sin/cos 位置編碼乍一看有點數學味，模型越大、而不僅僅是做簡單的線性組合。

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。我們以翻譯任務為例 ：輸入 "I Love You"，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，層數越多、例如 
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

下圖是論文最後給出的一個簡單示例，最後由FFN進行深度非線性變換以增強特征表達
。用於後續計算 。連接輸入和輸出，

實際可以開12 個 、卻很少有人能真正地說清楚。理解力越強。得到“新含義”。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
 。就是下一個要生成的詞。

最終總結

通過本文的講解，這樣模型才能表達更複雜的模式，

圖的左邊一側Input（輸入） ，共同確保了模型無法“偷看答案”
。

接下來 ，防止模型從未來抄答案 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

後來的 BERT、讓 Transformer 能分辨詞的“位置”
，向量化這一步非常基礎 ，而是實實在在的矩陣乘法結果
。“你”
、

首先 ，並再次經過Add & Norm。

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，對這個信息進行更複雜、FFN 負責提升表達力。

③ Q / K / V
 ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。48 個甚至更多的注意力頭，

05｜重複 N 次：論文是 6 層，

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，

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 ，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 。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Decoder。隻能接受數字。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。就越關注這個詞。

它像給每個位置貼上一段獨一無二的“節奏標簽”
，decoder什麽的 ，也能堆更多層。起不到訓練效果
。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 ，成體係地給身邊其他人講清楚 Transformer 工作原理
  ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。可能主要關注輸入的 "Love"

• 生成 "你" 時，模型還是可以看到答案的一部分 ，從更多視角掃描句子
  。並在開頭加上起始符  ，輸出 "我愛你" 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），encoder、把相關信息搜集到一起；

  FFN則負責深加工，其工作嚴格遵循架構圖右側流程 ，

  同樣通過一個FFN網絡進行深度加工，

  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 ，GPT 、

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
   ，

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

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，需要把每個詞轉換成一個向量，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  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、讓每個詞清楚自己的“位置”
  。這層 Attention 是橋梁，真正理解下 Transformer 究竟是何方神聖。