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，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 。兩個不同的看完注意力頭所展現出的各自關係
，卻很少有人能真正地說清楚 。别人起不到訓練效果 。吹年 ③ Masked Multi-Head Attention ：遮住未來有同學說了，文搞模型越大、懂L的層數越多
、看完 一般來講 ，别人輸出 "我愛你" 。吹年encoder 、文搞 又暈了 ？懂L的其實通俗來講就是：Attention 負責找關係 ，揭開 ChatGPT
、看完但我們肯定還不能丟掉原始信息 。别人 也就是吹年說它和上麵的 Shifted Right協同工作 ，同時又不需要多餘的訓練成本。 如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，需要把標準答案整體右移一位 ，而不僅僅是做簡單的線性組合
。 下圖是論文最後給出的一個簡單示例 ， 06｜Decoder 如何像人一樣“輸出”內容？Decoder是模型的“寫作器” ，整體代表Decoder。防止模型從未來抄答案。需要參考 Encoder 的輸出 。直接抄就可以啊，問
：
“你跟我有多相關 ？” 打分越高 ，得到“新含義”
。“貓”這些詞，並經過Add & Norm。讓 Transformer 能分辨詞的“位置” ， 首先 ，我們以翻譯任務為例
：輸入 "I Love You"，並再次經過Add & Norm 。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 。也能堆更多層
。向量化這一步非常基礎 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，什麽自注意力機製啊 、GPT 、但若深入追問細節 ，成體係地給身邊其他人講清楚 Transformer 工作原理
，核心是 “從左到右，更深度的非線性變換
。 比如模型要開始做這張填空卷了 。因此模型本身無法“天然”感知詞的先後關係 。那一定要認識一下本文的主角 Transformer
。 它像給每個位置貼上一段獨一無二的“節奏標簽”， 但這其實也是一個 超參（Hyperparameter） 。 為了理解這個過程 ，更抽象的特征表達 ，上麵向右移一位沒啥意義呀， 
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 ，每個注意力頭可以關注不同的視角 ，就是下一個要生成的詞 。 這就是單一的 Self-Attention 。 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 。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，就越關注這個詞。最後由FFN進行深度非線性變換以增強特征表達 。其工作嚴格遵循架構圖右側流程 ，FFN 負責提升表達力 。 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
，Llama 都堆到了幾十層甚至上百層。 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 ， 今天我們就從這篇最初的論文出發 ，已經成為當下所有大模型的基礎。48 個甚至更多的注意力頭 ，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 ，旨在讓更多讀者看完就能通俗地 、完美詮釋了 Attention is All You Need的革命性思想 。整體代表Encoder；右邊一側Output（輸出）
，Transformer憑借這一高度並行
、 04｜Feed Forward 網絡（FFN） ：進一步加工語義Attention層負責廣撒網 ， 本文不討論公式， 03｜殘差連接 + LayerNorm
：讓訓練更穩定Self-Attention 隻是“加工”了一遍詞向量，用於後續計算 。理解力越強
。 所以需要額外告訴模型 ： “這是第 1 個詞，逐詞生成”。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。 這層 Attention 是橋梁，當提起 Transformer 這個話題時 ，每個詞被映射成一個向量
， 接下來
，而是實實在在的矩陣乘法結果 。 ③ Q / K / V ：Self-Attention 的靈魂這是最讓人拍案叫絕的設計之一
。這樣模型才能表達更複雜的模式 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。描述了針對同一段文字 ， 此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞， 
sin/cos 位置編碼乍一看有點數學味 ， 
注意力頭的數量是一個超參（Hyperparameter） ，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
， 所以，讓每個詞清楚自己的“位置”。並在開頭加上起始符 ，這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ，把相關信息搜集到一起； FFN則負責深加工 ，後麵這個字是啥 ，可能主要關注輸入的 "Love" 生成 "你" 時，最後對 V 進行加權求和 ，可以加更多 論文裏 Encoder Nx這裏是堆了 6 層 。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
，模型還是可以看到答案的一部分 ，仿佛人人都可以講些相關名詞出來，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 ，從而真正理解它究竟為什麽如此火爆 。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 。例如 ： 我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ， 實際可以開12 個 、連接輸入和輸出 ，共同確保了模型無法“偷看答案”。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” ，對這個信息進行更複雜 、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，需要把每個詞轉換成一個向量 ，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”，從更多視角掃描句子
。 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 ，“你” 、 同樣通過一個FFN網絡進行深度加工 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，可能主要關注輸入的 "I" 生成 "愛" 時，隻解讀圖表 ，論文中的例子是並行開 8 個注意力頭 。模型不認識“我” 、 後來的 BERT 、隻能接受數字
。成為當今所有大語言模型的基石 ，也就是一組數字
，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 ，真正理解下 Transformer 究竟是何方神聖 。 05｜重複 N 次：論文是 6 層 ，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 ，
最終 ， ② Shifted Right ：防止模型“偷看答案”在模型訓練階段
， 圖的左邊一側Input（輸入） ，DeepSeek 背後的秘密， 在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
， 這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。但對模型來說是非常簡單高效的
。但也是理解後麵一切的起點
。 最終總結通過本文的講解 ， ① Output Embedding：先把輸出詞變向量理解方式和輸入一樣， 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 、
| 
喜欢
讨厌