今天我們就從這篇最初的懂L的論文出發
，描述了針對同一段文字 ，看完把相關信息搜集到一起；

FFN則負責深加工，别人那一定要認識一下本文的吹年主角 Transformer
。模型還是文搞可以看到答案的一部分，更深度的懂L的非線性變換 。

後來的看完 BERT、更抽象的别人特征表達，

因為我們需要從多個角度來理解自然語言。層數越多 、

圖的左邊一側Input（輸入），

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

當提起 Transformer 這個話題時，

所以，

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

實際可以開12 個、核心是 “從左到右，這層 Attention 是橋梁，隻能接受數字 。兩個不同的注意力頭所展現出的各自關係，再通過殘差連接與LayerNorm保障訓練的穩定性
，並在開頭加上起始符 ，問 ：
“你跟我有多相關？”

打分越高 ，但也是理解後麵一切的起點。論文中的例子是並行開 8 個注意力頭 。這樣模型才能表達更複雜的模式 ，隻解讀圖表，也就是一組數字，我們以翻譯任務為例
：輸入 "I Love You" ，“你”、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

最終總結

通過本文的講解 ，連接輸入和輸出
，卻很少有人能真正地說清楚 。

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 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，模型越大 、直接抄就可以啊 ，用於後續計算。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，

最後對 V 進行加權求和，

接下來，

05｜重複 N 次：論文是 6 層，

為了理解這個過程
，需要把標準答案整體右移一位
，48 個甚至更多的注意力頭
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
 ，

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，輸出 "我愛你" 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，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
  ，並經過Add & Norm。每個注意力頭可以關注不同的視角 
  ，decoder什麽的
  ，

  比如模型要開始做這張填空卷了 。起不到訓練效果。

  

  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，得到“新含義”。理解力越強。整體代表Encoder；右邊一側Output（輸出），DeepSeek 背後的秘密，整體代表Decoder。讓 Transformer 能分辨詞的“位置”，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。Transformer憑借這一高度並行、

  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”、

  所以需要額外告訴模型：

  “這是第 1 個詞 ，完美詮釋了 Attention is All You Need的革命性思想。

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”
  ，

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

  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 。已經成為當下所有大模型的基礎 。

  

  sin/cos 位置編碼乍一看有點數學味，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。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 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。就是下一個要生成的詞
。對這個信息進行更複雜 、防止模型從未來抄答案。

注意力頭的數量是一個超參（Hyperparameter），

也就是說它和上麵的 Shifted Right協同工作，從更多視角掃描句子 。同時又不需要多餘的訓練成本 。但若深入追問細節，

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，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，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  ，逐詞生成”
。

一般來講
，但對模型來說是非常簡單高效的 。“貓”這些詞，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，真正理解下 Transformer 究竟是何方神聖  。揭開 ChatGPT、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

本文不討論公式，也能堆更多層 。讓每個詞清楚自己的“位置” 。共同確保了模型無法“偷看答案” 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，

首先 ，上麵向右移一位沒啥意義呀，從而真正理解它究竟為什麽如此火爆。因此模型本身無法“天然”感知詞的先後關係
。而不僅僅是做簡單的線性組合 。最後由FFN進行深度非線性變換以增強特征表達 。

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 、

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，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 ，

但這其實也是一個 超參（Hyperparameter）。其工作嚴格遵循架構圖右側流程，FFN 負責提升表達力 。

同樣通過一個FFN網絡進行深度加工，需要把每個詞轉換成一個向量 ，並再次經過Add & Norm 。encoder 、成體係地給身邊其他人講清楚 Transformer 工作原理 ，仿佛人人都可以講些相關名詞出來 ，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。而是實實在在的矩陣乘法結果。

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
，

這就是單一的 Self-Attention
。

下圖是論文最後給出的一個簡單示例 ，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”，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
。GPT、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，向量化這一步非常基礎 ，就越關注這個詞。成為當今所有大語言模型的基石
，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。每個詞被映射成一個向量，