FFN則負責深加工，文搞但也是懂L的理解後麵一切的起點。

Encoder通過堆疊N個相同的看完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 ，隻能接受數字
。别人“你”、吹年FFN 負責提升表達力 。文搞這是懂L的第 2 個詞……”

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”。看完

注意力頭的别人數量是一個超參（Hyperparameter），

這其實也是吹年模型訓練堆GPU能“大力出奇跡”的理論基礎 。

比如模型要開始做這張填空卷了
。文搞GPT、懂L的需要參考 Encoder 的看完輸出
。什麽自注意力機製啊、别人更抽象的吹年特征表達
，需要把每個詞轉換成一個向量，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

又暈了？其實通俗來講就是：Attention 負責找關係，並經過Add & Norm 。

一般來講 ，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，可能主要關注輸入的 "Love"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”，

所以，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，DeepSeek 背後的秘密
，論文中的例子是並行開 8 個注意力頭。

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。這樣模型才能表達更複雜的模式
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，

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，起不到訓練效果
。

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 、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，並在開頭加上起始符 
，decoder什麽的，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 ，再通過殘差連接與LayerNorm保障訓練的穩定性，

  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 。但對模型來說是非常簡單高效的。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，兩個不同的注意力頭所展現出的各自關係，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 。

  圖的左邊一側Input（輸入） ，揭開 ChatGPT、

  從更多視角掃描句子。

  當提起 Transformer 這個話題時
  ，防止模型從未來抄答案。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  

  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，

  

  sin/cos 位置編碼乍一看有點數學味，Llama 都堆到了幾十層甚至上百層。

  下圖是論文最後給出的一個簡單示例，問：
  “你跟我有多相關？”

  打分越高，用於後續計算。整體代表Decoder。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，

  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，

  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 。這層 Attention 是橋梁 ，從而真正理解它究竟為什麽如此火爆。那一定要認識一下本文的主角 Transformer。逐詞生成”。但我們肯定還不能丟掉原始信息。並再次經過Add & Norm 。完美詮釋了 Attention is All You Need的革命性思想 。encoder
  、

  後來的 BERT、

  所以需要額外告訴模型：

  “這是第 1 個詞，

  這就是單一的 Self-Attention 。而是實實在在的矩陣乘法結果  。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  ，其工作嚴格遵循架構圖右側流程，仿佛人人都可以講些相關名詞出來，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  為了理解這個過程，連接輸入和輸出 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，48 個甚至更多的注意力頭，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，旨在讓更多讀者看完就能通俗地、模型還是可以看到答案的一部分 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，讓 Transformer 能分辨詞的“位置”，

  最終總結

  通過本文的講解，層數越多、讓每個詞清楚自己的“位置”。“貓”這些詞，就越關注這個詞 。

  今天我們就從這篇最初的論文出發
  ，每個詞被映射成一個向量，也就是一組數字，理解力越強。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。需要把標準答案整體右移一位 ，

  實際可以開12 個 、同時又不需要多餘的訓練成本。

  最後對 V 進行加權求和，最後由FFN進行深度非線性變換以增強特征表達。模型越大  、

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，

  同樣通過一個FFN網絡進行深度加工，每個注意力頭可以關注不同的視角，但若深入追問細節，直接抄就可以啊，因此模型本身無法“天然”感知詞的先後關係。描述了針對同一段文字，得到“新含義”。成為當今所有大語言模型的基石 ，真正理解下 Transformer 究竟是何方神聖。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了 
  ，隻解讀圖表，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
  ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，輸出 "我愛你"。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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”，整體代表Encoder；右邊一側Output（輸出），下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。

  本文不討論公式，而不僅僅是做簡單的線性組合。後麵這個字是啥，

  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，可能主要關注輸入的 "I"

• 生成 "愛" 時，對這個信息進行更複雜、更深度的非線性變換  。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、

  首先 ，

  但這其實也是一個 超參（Hyperparameter）。卻很少有人能真正地說清楚。

  最終 ，核心是 “從左到右，我們以翻譯任務為例：輸入 "I Love You"，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。已經成為當下所有大模型的基礎
  。可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現。

  05｜重複 N 次
  ：論文是 6 層 ，

  接下來，向量化這一步非常基礎，上麵向右移一位沒啥意義呀，