圖的懂L的左邊一側Input（輸入） ，

所以需要額外告訴模型 ：

“這是看完第 1 個詞 ，

一般來講 ，别人

同樣通過一個FFN網絡進行深度加工，吹年

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

③ Masked Multi-Head Attention
：遮住未來

有同學說了，懂L的也就是看完一組數字 ，可以加更多

論文裏 Encoder Nx這裏是别人堆了 6 層
。

於是吹年：

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，防止模型從未來抄答案。文搞直接抄就可以啊 ，懂L的

它最初來自一篇被稱為“AI 大航海時代起點”的看完論文
：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，

當提起 Transformer 這個話題時 ，别人我們以翻譯任務為例：輸入 "I Love You"  ，吹年

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，需要參考 Encoder 的輸出 。decoder什麽的，

為了理解這個過程 ，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，GPT、

後來的 BERT
、層數越多
、

但這其實也是一個 超參（Hyperparameter）。整體代表Encoder；右邊一側Output（輸出），這層 Attention 是橋梁，就是下一個要生成的詞。

接下來，得到“新含義”。更深度的非線性變換 。

下圖是論文最後給出的一個簡單示例 ，逐詞生成” 。

今天我們就從這篇最初的論文出發，

這就是單一的 Self-Attention
 。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，同時又不需要多餘的訓練成本
 。對這個信息進行更複雜、模型還是可以看到答案的一部分 ，問 ：
“你跟我有多相關？”

打分越高，也能堆更多層。連接輸入和輸出，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，用於後續計算。

成為當今所有大語言模型的基石 ，“你”、但也是理解後麵一切的起點。但對模型來說是非常簡單高效的。

本文不討論公式 ，起不到訓練效果。上麵向右移一位沒啥意義呀，

最終  ，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
。旨在讓更多讀者看完就能通俗地、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”，最後由FFN進行深度非線性變換以增強特征表達。Llama 都堆到了幾十層甚至上百層 。讓每個詞清楚自己的“位置”。把相關信息搜集到一起；

FFN則負責深加工，

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 。從而真正理解它究竟為什麽如此火爆。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，隻解讀圖表，

sin/cos 位置編碼乍一看有點數學味 ，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
，模型越大、

最後對 V 進行加權求和，

① Input Embedding：把詞變成數字向量

模型不認識“我”、描述了針對同一段文字，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

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，理解力越強。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。但若深入追問細節 ，並在開頭加上起始符 
，

首先，完美詮釋了 Attention is All You Need的革命性思想。FFN 負責提升表達力。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 ，Transformer憑借這一高度並行
、例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

所以 ，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
  ，48 個甚至更多的注意力頭
  ，

  比如模型要開始做這張填空卷了。而是實實在在的矩陣乘法結果。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
  ，可能主要關注輸入的 "I"

• 生成 "愛" 時，什麽自注意力機製啊、向量化這一步非常基礎，下麵我們就來一步步通俗理解下這張架構圖的深層含義。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，但我們肯定還不能丟掉原始信息 。

05｜重複 N 次：論文是 6 層
，

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

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網 ，每個詞被映射成一個向量 ，揭開 ChatGPT、可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。後麵這個字是啥，這樣模型才能表達更複雜的模式
，輸出 "我愛你"。而不僅僅是做簡單的線性組合
。需要把標準答案整體右移一位  ，

實際可以開12 個、DeepSeek 背後的秘密，核心是 “從左到右，真正理解下 Transformer 究竟是何方神聖。encoder 、從更多視角掃描句子
。其工作嚴格遵循架構圖右側流程 ，論文中的例子是並行開 8 個注意力頭。卻很少有人能真正地說清楚 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。整體代表Decoder。“貓”這些詞 ，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 。

最終總結

通過本文的講解，

又暈了？其實通俗來講就是：Attention 負責找關係，

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、需要把每個詞轉換成一個向量，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”，每個注意力頭可以關注不同的視角，可能主要關注輸入的 "Love"

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 ______