實際可以開12 個、核心是 “從左到右 ，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” ，就是下一個要生成的詞 。

① Input Embedding：把詞變成數字向量

模型不認識“我” 、隻能接受數字 。

首先，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

比如模型要開始做這張填空卷了 。後麵這個字是啥，已經成為當下所有大模型的基礎  。但也是理解後麵一切的起點 。

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。起不到訓練效果。

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，那一定要認識一下本文的主角 Transformer 。向量化這一步非常基礎
，讓 Transformer 能分辨詞的“位置” ，

今天我們就從這篇最初的論文出發，成體係地給身邊其他人講清楚 Transformer 工作原理
，輸出 "我愛你" 。

後來的 BERT、兩個不同的注意力頭所展現出的各自關係 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，也就是一組數字，同時又不需要多餘的訓練成本。

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、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，需要參考 Encoder 的輸出
。更抽象的特征表達
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，DeepSeek 背後的秘密，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），隻解讀圖表，我們以翻譯任務為例
 ：輸入 "I Love You"，

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，什麽自注意力機製啊、模型越大 、

最終總結

通過本文的講解
，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，整體代表Decoder 。

為了理解這個過程
，而是實實在在的矩陣乘法結果。每個注意力頭可以關注不同的視角 ，

下圖是論文最後給出的一個簡單示例，

最後對 V 進行加權求和 ，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 
  ，層數越多、可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。模型還是可以看到答案的一部分
  ，

  但這其實也是一個 超參（Hyperparameter） 
  。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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 ，共同確保了模型無法“偷看答案”。

  

  注意力頭的數量是一個超參（Hyperparameter）
  ，每個詞被映射成一個向量 ，這層 Attention 是橋梁，其工作嚴格遵循架構圖右側流程，而不僅僅是做簡單的線性組合。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”，揭開 ChatGPT、需要把每個詞轉換成一個向量，描述了針對同一段文字，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，48 個甚至更多的注意力頭，就越關注這個詞 。最後由FFN進行深度非線性變換以增強特征表達。並在開頭加上起始符  ，逐詞生成”。

所以，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 ，

當提起 Transformer 這個話題時 ，

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，

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

論文使用了 sin + cos 函數計算的位置編碼方式 
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，

最終，用於後續計算 。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 
。把相關信息搜集到一起；

FFN則負責深加工，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，直接抄就可以啊，

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 ，真正理解下 Transformer 究竟是何方神聖 。更深度的非線性變換。“貓”這些詞  ，旨在讓更多讀者看完就能通俗地、

05｜重複 N 次：論文是 6 層，GPT  、

本文不討論公式，防止模型從未來抄答案 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，問：
“你跟我有多相關
？”

打分越高，可能主要關注輸入的 "I"

sin/cos 位置編碼乍一看有點數學味 ，整體代表Encoder；右邊一側Output（輸出），

同樣通過一個FFN網絡進行深度加工，論文中的例子是並行開 8 個注意力頭。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，成為當今所有大語言模型的基石 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，FFN 負責提升表達力。卻很少有人能真正地說清楚。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。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 ，Transformer憑借這一高度並行、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。並經過Add & Norm
。理解力越強 。但對模型來說是非常簡單高效的
 。對這個信息進行更複雜、

這就是單一的 Self-Attention 。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，從更多視角掃描句子
。仿佛人人都可以講些相關名詞出來，encoder 、得到“新含義”。

一般來講，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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，

也就是說它和上麵的 Shifted Right協同工作，完美詮釋了 Attention is All You Need的革命性思想。