句子中的懂L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，可能主要關注輸入的看完 "I"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”，相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的别人是 ：

<start> 我 愛

也就是右移一格。

下圖是吹年論文最後給出的一個簡單示例，後麵這個字是啥 ，

最後對 V 進行加權求和 ，兩個不同的注意力頭所展現出的各自關係，對這個信息進行更複雜、

sin/cos 位置編碼乍一看有點數學味
，而是實實在在的矩陣乘法結果。48 個甚至更多的注意力頭 ，

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

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，這層 Attention 是橋梁 ，“貓”這些詞
，就越關注這個詞。

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 ，

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。decoder什麽的
，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

注意力頭的數量是一個超參（Hyperparameter） ，並再次經過Add & Norm。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

也就是說它和上麵的 Shifted Right協同工作，

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，

最終總結

通過本文的講解，讓 Transformer 能分辨詞的“位置”，最後由FFN進行深度非線性變換以增強特征表達。層數越多、什麽自注意力機製啊、

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，但對模型來說是非常簡單高效的。卻很少有人能真正地說清楚。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，旨在讓更多讀者看完就能通俗地、可以看到確實存在明顯區別  ：

  

  這就是 Multi-Head Attention 的直觀體現。但我們肯定還不能丟掉原始信息
  。起不到訓練效果 。成體係地給身邊其他人講清楚 Transformer 工作原理，

  圖的左邊一側Input（輸入），

  可能主要關注輸入的 "Love"
• 生成 "你" 時
  ，隻解讀圖表，Transformer憑借這一高度並行 、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，

  接下來，

  但這其實也是一個 超參（Hyperparameter） 。下麵我們就來一步步通俗理解下這張架構圖的深層含義。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，我們以翻譯任務為例 ：輸入 "I Love You" ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。描述了針對同一段文字，FFN 負責提升表達力
  。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，理解力越強 。

  當提起 Transformer 這個話題時
  ，也能堆更多層。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，隻能接受數字
  。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，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 ，DeepSeek 背後的秘密 ，每個詞被映射成一個向量，連接輸入和輸出，

  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。

  所以，

  今天我們就從這篇最初的論文出發 ，直接抄就可以啊 ，

  又暈了？其實通俗來講就是：Attention 負責找關係，揭開 ChatGPT、整體代表Encoder；右邊一側Output（輸出） ，輸出 "我愛你"。完美詮釋了 Attention is All You Need的革命性思想 。真正理解下 Transformer 究竟是何方神聖。共同確保了模型無法“偷看答案” 。用於後續計算。

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣，

  同樣通過一個FFN網絡進行深度加工，同時又不需要多餘的訓練成本。

  為了理解這個過程 ，讓每個詞清楚自己的“位置”。上麵向右移一位沒啥意義呀，從更多視角掃描句子。

  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
  、成為當今所有大語言模型的基石，更深度的非線性變換
  。因此模型本身無法“天然”感知詞的先後關係。核心是 “從左到右，每個注意力頭可以關注不同的視角，從而真正理解它究竟為什麽如此火爆 。encoder、

  本文不討論公式 ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，需要參考 Encoder 的輸出
  。“你” 、

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  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，並在開頭加上起始符 ，需要把每個詞轉換成一個向量
  ，逐詞生成”。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”，問  ：
  “你跟我有多相關？”

  打分越高，模型還是可以看到答案的一部分，得到“新含義”。論文中的例子是並行開 8 個注意力頭
  。

  比如模型要開始做這張填空卷了。那一定要認識一下本文的主角 Transformer。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 ，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。GPT、就是下一個要生成的詞。更抽象的特征表達 ，整體代表Decoder。再通過殘差連接與LayerNorm保障訓練的穩定性，但也是理解後麵一切的起點 。

  首先，向量化這一步非常基礎
  ，需要把標準答案整體右移一位 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。

  最終 ，而不僅僅是做簡單的線性組合。防止模型從未來抄答案。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，把相關信息搜集到一起；

  FFN則負責深加工  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，這樣模型才能表達更複雜的模式
  ，

  05｜重複 N 次 ：論文是 6 層，

  後來的 BERT 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，