生成 "我" 時 ，並經過Add & Norm。但對模型來說是非常簡單高效的 。接下來，需要參考 Encoder 的輸出。每個詞被映射成一個向量
，
後來的 BERT、
05｜重複 N 次 ：論文是 6 層
，再通過殘差連接與LayerNorm保障訓練的穩定性 ，② Shifted Right
：防止模型“偷看答案”
在模型訓練階段，用於後續計算 。卻很少有人能真正地說清楚 。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”
，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 ，描述了針對同一段文字，並在開頭加上起始符 ，但我們肯定還不能丟掉原始信息
。
最後對 V 進行加權求和 ，問 ：
“你跟我有多相關？”
打分越高
，我們以翻譯任務為例 ：輸入 "I Love You" ，成體係地給身邊其他人講清楚 Transformer 工作原理，層數越多、也能堆更多層 。
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 ，整體代表Encoder；右邊一側Output（輸出）
，共同確保了模型無法“偷看答案”
。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。每個注意力頭可以關注不同的視角
，encoder 、
又暈了 ？其實通俗來講就是
：Attention 負責找關係
，讓每個詞清楚自己的“位置” 。
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。48 個甚至更多的注意力頭 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，decoder什麽的，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
。
這就是單一的 Self-Attention
。
04｜Feed Forward 網絡（FFN）
：進一步加工語義
Attention層負責廣撒網，
但這其實也是一個 超參（Hyperparameter） 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。仿佛人人都可以講些相關名詞出來，
① Output Embedding ：先把輸出詞變向量
理解方式和輸入一樣 ，可能主要關注輸入的 "I"
生成 "愛" 時，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 ，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、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），讓 Transformer 能分辨詞的“位置” ，DeepSeek 背後的秘密 ，
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
。但也是理解後麵一切的起點
。更抽象的特征表達 ，“你” 、完美詮釋了 Attention is All You Need的革命性思想。這樣模型才能表達更複雜的模式，
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，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 ，真正理解下 Transformer 究竟是何方神聖 。模型越大
、
模型不認識“我” 、核心是 “從左到右 ，
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 、模型還是可以看到答案的一部分 ，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 ，Transformer憑借這一高度並行
、
本文不討論公式 ，
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 。那一定要認識一下本文的主角 Transformer 。首先 ，
sin/cos 位置編碼乍一看有點數學味，已經成為當下所有大模型的基礎
。
也就是說它和上麵的 Shifted Right協同工作
，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。而不僅僅是做簡單的線性組合
。其工作嚴格遵循架構圖右側流程 ，FFN 負責提升表達力。也就是一組數字
，這層 Attention 是橋梁 ，
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 ，防止模型從未來抄答案
。
02｜為什麽需要 Multi-Head Attention？
有了單一的 Self-Attention ，
06｜Decoder 如何像人一樣“輸出”內容
？
Decoder是模型的“寫作器” ，起不到訓練效果 。
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 ，
03｜殘差連接 + LayerNorm ：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量 ，輸出 "我愛你" 。後麵這個字是啥，旨在讓更多讀者看完就能通俗地 、並再次經過Add & Norm。論文中的例子是並行開 8 個注意力頭
。可以看到確實存在明顯區別
：
這就是 Multi-Head Attention 的直觀體現
。
最終總結
通過本文的講解，
所以需要額外告訴模型 ：
“這是第 1 個詞 ，
③ Masked Multi-Head Attention：遮住未來
有同學說了 ，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，但若深入追問細節 ，“貓”這些詞 ，得到“新含義” 。而是實實在在的矩陣乘法結果
。最後由FFN進行深度非線性變換以增強特征表達。需要把每個詞轉換成一個向量 ，就越關注這個詞 。
注意力頭的數量是一個超參（Hyperparameter），成為當今所有大語言模型的基石，GPT 、
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，例如
：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀
，同時又不需要多餘的訓練成本 。上麵向右移一位沒啥意義呀，從更多視角掃描句子。
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
，
圖的左邊一側Input（輸入），需要把標準答案整體右移一位 ，
當提起 Transformer 這個話題時
，
③ Q / K / V：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。整體代表Decoder
。直接抄就可以啊，逐詞生成” 。
比如模型要開始做這張填空卷了。
一般來講 ，連接輸入和輸出 ，
同樣通過一個FFN網絡進行深度加工 ，隻能接受數字 。可能主要關注輸入的 "Love"
喜欢
讨厌