所以
，吹年就越關注這個詞 。文搞把相關信息搜集到一起；

FFN則負責深加工，懂L的

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，看完每個注意力頭可以關注不同的别人視角，

論文中描述FFN的吹年關鍵內容參考如下 ：

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，“你”
、48 個甚至更多的注意力頭，

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，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。從而真正理解它究竟為什麽如此火爆 。

① Input Embedding：把詞變成數字向量

模型不認識“我”
、

又暈了？其實通俗來講就是：Attention 負責找關係，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

也就是說它和上麵的 Shifted Right協同工作 ，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 ，但我們肯定還不能丟掉原始信息
  。論文中的例子是並行開 8 個注意力頭。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  

  sin/cos 位置編碼乍一看有點數學味，

  

  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  ，

  05｜重複 N 次
  ：論文是 6 層
  ，

  為了理解這個過程 ，仿佛人人都可以講些相關名詞出來 
  ，

  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
  。Transformer憑借這一高度並行
  、因此模型本身無法“天然”感知詞的先後關係
  。整體代表Encoder；右邊一側Output（輸出），模型還是可以看到答案的一部分，模型越大、後麵這個字是啥 ，共同確保了模型無法“偷看答案” 。得到“新含義” 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，已經成為當下所有大模型的基礎。讓 Transformer 能分辨詞的“位置”，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  一般來講，直接抄就可以啊 ，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  這就是單一的 Self-Attention。理解力越強。但對模型來說是非常簡單高效的
  。

  最終總結

  通過本文的講解，

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

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，但也是理解後麵一切的起點。同時又不需要多餘的訓練成本。成體係地給身邊其他人講清楚 Transformer 工作原理
  ，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，需要把標準答案整體右移一位，這樣模型才能表達更複雜的模式，防止模型從未來抄答案 。卻很少有人能真正地說清楚 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，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
  ，整體代表Decoder。並經過Add & Norm 。

  圖的左邊一側Input（輸入），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 ，encoder、DeepSeek 背後的秘密 
  ，但若深入追問細節，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。也就是一組數字，

  今天我們就從這篇最初的論文出發 ，用於後續計算 。

  

  注意力頭的數量是一個超參（Hyperparameter），更深度的非線性變換。起不到訓練效果。最後由FFN進行深度非線性變換以增強特征表達  。“貓”這些詞 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。什麽自注意力機製啊、隻能接受數字 。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，對這個信息進行更複雜、更抽象的特征表達
  ，GPT、這層 Attention 是橋梁，隻解讀圖表 ，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。其工作嚴格遵循架構圖右側流程，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，逐詞生成”
  。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，連接輸入和輸出 ，而是實實在在的矩陣乘法結果 
  。

  但這其實也是一個 超參（Hyperparameter） 。decoder什麽的，層數越多
  、兩個不同的注意力頭所展現出的各自關係
  ，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” ，讓每個詞清楚自己的“位置”。

  後來的 BERT、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。向量化這一步非常基礎，描述了針對同一段文字 ，

  當提起 Transformer 這個話題時，並再次經過Add & Norm。真正理解下 Transformer 究竟是何方神聖。

  同樣通過一個FFN網絡進行深度加工，

  最後對 V 進行加權求和
   ，揭開 ChatGPT
  、例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 
  ，成為當今所有大語言模型的基石 ，核心是 “從左到右  ，每個詞被映射成一個向量，輸出 "我愛你"。

  最終，旨在讓更多讀者看完就能通俗地、

  比如模型要開始做這張填空卷了
  。

  所以需要額外告訴模型：

  “這是第 1 個詞，

  首先 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，並在開頭加上起始符 ，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 ，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”，我們以翻譯任務為例：輸入 "I Love You"，

實際可以開12 個、也能堆更多層 。需要把每個詞轉換成一個向量，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 ，就是下一個要生成的詞。問 ：
“你跟我有多相關？”

打分越高，上麵向右移一位沒啥意義呀，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，而不僅僅是做簡單的線性組合。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，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，

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 ，