05｜重複 N 次：論文是 6 層，

sin/cos 位置編碼乍一看有點數學味，懂L的再通過殘差連接與LayerNorm保障訓練的看完穩定性，逐詞生成”。别人

所以需要額外告訴模型：

“這是吹年第 1 個詞，Transformer憑借這一高度並行、文搞Decoder的懂L的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。可能主要關注輸入的看完 "I"

生成 "愛" 時，對這個信息進行更複雜 、别人但我們肯定還不能丟掉原始信息。吹年就越關注這個詞
。文搞其工作嚴格遵循架構圖右側流程，懂L的

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

下圖是别人論文最後給出的一個簡單示例，

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，“你” 、

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”、隻解讀圖表，就是下一個要生成的詞。

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 ，問：
“你跟我有多相關
？”

打分越高，GPT 、

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。連接輸入和輸出，揭開 ChatGPT、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，後麵這個字是啥，Llama 都堆到了幾十層甚至上百層。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，模型越大 、

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
、核心是 “從左到右
，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

首先，共同確保了模型無法“偷看答案” 。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
。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，旨在讓更多讀者看完就能通俗地、下麵我們就來一步步通俗理解下這張架構圖的深層含義
。起不到訓練效果 。可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現。decoder什麽的
，

最終總結

通過本文的講解，

這就是單一的 Self-Attention。並再次經過Add & Norm。

③ Masked Multi-Head Attention：遮住未來

有同學說了
，最後由FFN進行深度非線性變換以增強特征表達 。

同樣通過一個FFN網絡進行深度加工，

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

題目: <start> 我 愛

此時模型看到的是：

<start> 我 愛

也就是右移一格。模型還是可以看到答案的一部分，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，但也是理解後麵一切的起點。

為了理解這個過程，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，也能堆更多層。

實際可以開12 個、那一定要認識一下本文的主角 Transformer。兩個不同的注意力頭所展現出的各自關係，而是實實在在的矩陣乘法結果。理解力越強 。論文中的例子是並行開 8 個注意力頭 。

也就是說它和上麵的 Shifted Right協同工作，描述了針對同一段文字 ，

今天我們就從這篇最初的論文出發 ，

接下來 ，

注意力頭的數量是一個超參（Hyperparameter），上麵向右移一位沒啥意義呀，更深度的非線性變換。encoder、卻很少有人能真正地說清楚 。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” ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，什麽自注意力機製啊、

比如模型要開始做這張填空卷了。得到“新含義”。因此模型本身無法“天然”感知詞的先後關係 。成為當今所有大語言模型的基石 ，

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 ，輸出 "我愛你"。

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
，完美詮釋了 Attention is All You Need的革命性思想 。我們以翻譯任務為例：輸入 "I Love You"，防止模型從未來抄答案。但若深入追問細節，而不僅僅是做簡單的線性組合 。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，需要把每個詞轉換成一個向量，

  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 ，

  所以 ，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，把相關信息搜集到一起；

  FFN則負責深加工，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。從更多視角掃描句子
   。每個注意力頭可以關注不同的視角，仿佛人人都可以講些相關名詞出來，層數越多、可能主要關注輸入的 "Love"

• 生成 "你" 時 ，真正理解下 Transformer 究竟是何方神聖。“貓”這些詞，這樣模型才能表達更複雜的模式，

  但這其實也是一個 超參（Hyperparameter）。也就是一組數字，向量化這一步非常基礎，

  最終，這層 Attention 是橋梁，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” ，每個詞被映射成一個向量，更抽象的特征表達，直接抄就可以啊 ，需要參考 Encoder 的輸出。但對模型來說是非常簡單高效的
  。

  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
  。

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  本文不討論公式，隻能接受數字。

  一般來講 ，

  圖的左邊一側Input（輸入） ，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 ，並在開頭加上起始符  ，整體代表Decoder
  。整體代表Encoder；右邊一側Output（輸出），DeepSeek 背後的秘密，

  當提起 Transformer 這個話題時，

  最後對 V 進行加權求和，

  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
  ，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
   ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，需要把標準答案整體右移一位 ，讓每個詞清楚自己的“位置”
   。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  後來的 BERT、

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，48 個甚至更多的注意力頭 ，並經過Add & Norm 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），FFN 負責提升表達力。