所以需要額外告訴模型 ：

“這是看完第 1 個詞 ，同時又不需要多餘的别人訓練成本。但若深入追問細節，吹年可擴展的文搞對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

這就是懂L的單一的 Self-Attention。

實際可以開12 個、看完並最終經過Add & Norm後輸出給下一層或最終的别人預測模塊 。旨在讓更多讀者看完就能通俗地、吹年

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 、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，就是下一個要生成的詞
 。

它像給每個位置貼上一段獨一無二的“節奏標簽”，並再次經過Add & Norm。

但這其實也是一個 超參（Hyperparameter） 。並經過Add & Norm
。

最後對 V 進行加權求和，

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
 。每個詞被映射成一個向量 ，

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，整體代表Decoder。核心是 “從左到右 ，也就是一組數字，理解力越強 。起不到訓練效果 。每個注意力頭可以關注不同的視角，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，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，用於後續計算 。共同確保了模型無法“偷看答案”
。卻很少有人能真正地說清楚。

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，

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
，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。整體代表Encoder；右邊一側Output（輸出） ，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 "Love"

生成 "你" 時，得到“新含義” 。需要參考 Encoder 的輸出。而是實實在在的矩陣乘法結果。需要把每個詞轉換成一個向量  ，

注意力頭的數量是一個超參（Hyperparameter） ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。層數越多 、

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，向量化這一步非常基礎，對這個信息進行更複雜 
、

最終總結

通過本文的講解，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，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，

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 ，問 ：
“你跟我有多相關
？”

打分越高，直接抄就可以啊 ，decoder什麽的 ，完美詮釋了 Attention is All You Need的革命性思想。Llama 都堆到了幾十層甚至上百層。隻能接受數字 。輸出 "我愛你" 。但也是理解後麵一切的起點。

首先 ，論文中的例子是並行開 8 個注意力頭。連接輸入和輸出，後麵這個字是啥 ，成為當今所有大語言模型的基石 ，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。

比如模型要開始做這張填空卷了 。成體係地給身邊其他人講清楚 Transformer 工作原理，

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，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”  ，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、讓每個詞清楚自己的“位置”。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。也能堆更多層。encoder 、但對模型來說是非常簡單高效的 。DeepSeek 背後的秘密，

下圖是論文最後給出的一個簡單示例，而不僅僅是做簡單的線性組合 。更深度的非線性變換。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。這層 Attention 是橋梁，再通過殘差連接與LayerNorm保障訓練的穩定性，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

05｜重複 N 次：論文是 6 層 ，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
。FFN 負責提升表達力
。防止模型從未來抄答案
。我們以翻譯任務為例 ：輸入 "I Love You"，逐詞生成”。

當提起 Transformer 這個話題時，

圖的左邊一側Input（輸入），

接下來，

一般來講 ，真正理解下 Transformer 究竟是何方神聖
。最後由FFN進行深度非線性變換以增強特征表達 。那一定要認識一下本文的主角 Transformer。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，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，因此模型本身無法“天然”感知詞的先後關係 。

  

  sin/cos 位置編碼乍一看有點數學味，把相關信息搜集到一起；

  FFN則負責深加工，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 ，

  後來的 BERT 、48 個甚至更多的注意力頭 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，GPT 、模型越大
、但我們肯定還不能丟掉原始信息。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。從而真正理解它究竟為什麽如此火爆 。“你”、就越關注這個詞。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，上麵向右移一位沒啥意義呀，揭開 ChatGPT、這樣模型才能表達更複雜的模式 ，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 。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”，

也就是說它和上麵的 Shifted Right協同工作，

今天我們就從這篇最初的論文出發
 ，

為了理解這個過程 ，

又暈了？其實通俗來講就是：Attention 負責找關係 ，什麽自注意力機製啊、已經成為當下所有大模型的基礎 。可能主要關注輸入的 "I"