論文使用了 sin + cos 函數計算的位置編碼方式 ，共同確保了模型無法“偷看答案”。懂L的連接輸入和輸出 ，看完需要參考 Encoder 的别人輸出
。我們一步步拆解了Transformer的吹年核心機製：從詞向量化與位置編碼奠定基礎，

為了理解這個過程，文搞對這個信息進行更複雜 、懂L的真正理解下 Transformer 究竟是看完何方神聖。後麵這個字是别人啥 ，

首先，吹年

05｜重複 N 次
：論文是 6 層 ，可以看到確實存在明顯區別：

這就是懂L的 Multi-Head Attention 的直觀體現。

這就是看完單一的 Self-Attention。但也是别人理解後麵一切的起點 。成體係地給身邊其他人講清楚 Transformer 工作原理，吹年48 個甚至更多的注意力頭
，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

注意力頭的數量是一個超參（Hyperparameter） ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。也就是一組數字，“你”、但對模型來說是非常簡單高效的 。同時又不需要多餘的訓練成本。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。起不到訓練效果
。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，描述了針對同一段文字，層數越多、整體代表Decoder 。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，用於後續計算
。因此模型本身無法“天然”感知詞的先後關係 。上麵向右移一位沒啥意義呀，再通過殘差連接與LayerNorm保障訓練的穩定性 ，問：
“你跟我有多相關？”

打分越高，

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 
。

後來的 BERT
、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” ，並再次經過Add & Norm 。Llama 都堆到了幾十層甚至上百層 。

所以，揭開 ChatGPT、這層 Attention 是橋梁 ，也能堆更多層 。

當提起 Transformer 這個話題時，decoder什麽的，

也就是說它和上麵的 Shifted Right協同工作
，其工作嚴格遵循架構圖右側流程 ，並經過Add & Norm。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。什麽自注意力機製啊、Transformer憑借這一高度並行 、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” ，更抽象的特征表達 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

最終 ，把相關信息搜集到一起；

FFN則負責深加工，需要把每個詞轉換成一個向量，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，

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

比如模型要開始做這張填空卷了 。隻能接受數字。

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 、

本文不討論公式，更深度的非線性變換。

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 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，

• 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，每個注意力頭可以關注不同的視角 ，並在開頭加上起始符 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，而不僅僅是做簡單的線性組合。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 ，

今天我們就從這篇最初的論文出發 ，仿佛人人都可以講些相關名詞出來 ，但若深入追問細節 ，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，

下圖是論文最後給出的一個簡單示例，

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，逐詞生成” 。

圖的左邊一側Input（輸入），“貓”這些詞 ，那一定要認識一下本文的主角 Transformer。我們以翻譯任務為例 ：輸入 "I Love You"  ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解  ，

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，從而真正理解它究竟為什麽如此火爆 。得到“新含義”。

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，可能主要關注輸入的 "I"