我 → [0.12,文搞 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
 ，完美詮釋了 Attention is 懂L的All You Need的革命性思想。讓 Transformer 能分辨詞的看完“位置”
，

本文不討論公式，别人

所以，吹年Llama 都堆到了幾十層甚至上百層。文搞

05｜重複 N 次 ：論文是 6 層，它需要依次填出三個空 ：

第一個空	：題目是看完 <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 ，整體代表Encoder；右邊一側Output（輸出），别人並經過Add & Norm。吹年相當於給模型做一個填空題 ：

題目: <start> 我 愛

此時模型看到的文搞是：

<start> 我 愛

也就是右移一格  。

論文中描述FFN的懂L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 、也能堆更多層。看完把相關信息搜集到一起；

FFN則負責深加工，别人再通過殘差連接與LayerNorm保障訓練的吹年穩定性，“貓”這些詞，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，需要把標準答案整體右移一位，

sin/cos 位置編碼乍一看有點數學味，

注意力頭的數量是一個超參（Hyperparameter） ，

實際可以開12 個 、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”，仿佛人人都可以講些相關名詞出來，整體代表Decoder。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，讓每個詞清楚自己的“位置”。

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
。

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 
，最後由FFN進行深度非線性變換以增強特征表達。問 ：
“你跟我有多相關？”

打分越高 ，向量化這一步非常基礎 ，成為當今所有大語言模型的基石，成體係地給身邊其他人講清楚 Transformer 工作原理
，每個詞被映射成一個向量，輸出 "我愛你"。FFN 負責提升表達力 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。旨在讓更多讀者看完就能通俗地 、隻解讀圖表
，“你”
、隻能接受數字。上麵向右移一位沒啥意義呀 ，核心是 “從左到右，

今天我們就從這篇最初的論文出發 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，

但這其實也是一個 超參（Hyperparameter） 。需要參考 Encoder 的輸出。什麽自注意力機製啊、同時又不需要多餘的訓練成本。

“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 ，但若深入追問細節，

  一般來講 ，那一定要認識一下本文的主角 Transformer
  。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，兩個不同的注意力頭所展現出的各自關係
  ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，

  最後對 V 進行加權求和，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，層數越多
   、

  也就是說它和上麵的 Shifted Right協同工作，就越關注這個詞
  。48 個甚至更多的注意力頭 ，

  下圖是論文最後給出的一個簡單示例，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，我們以翻譯任務為例：輸入 "I Love You" ，而不僅僅是做簡單的線性組合 。卻很少有人能真正地說清楚。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，DeepSeek 背後的秘密，逐詞生成”。

  當提起 Transformer 這個話題時  ，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。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，就是下一個要生成的詞。並在開頭加上起始符 
  ，已經成為當下所有大模型的基礎。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” ，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，理解力越強。

  圖的左邊一側Input（輸入），

  ③ Q / K / V  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。用於後續計算
  。直接抄就可以啊 ，共同確保了模型無法“偷看答案”。encoder 、這層 Attention 是橋梁 ，連接輸入和輸出 ，

  

  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，

  比如模型要開始做這張填空卷了 。但也是理解後麵一切的起點。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、

  首先，模型還是可以看到答案的一部分，描述了針對同一段文字，後麵這個字是啥 ，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，

  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
  ，decoder什麽的 ，並再次經過Add & Norm。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  為了理解這個過程，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，模型越大、

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，論文中的例子是並行開 8 個注意力頭。更抽象的特征表達
  ，防止模型從未來抄答案 。

  同樣通過一個FFN網絡進行深度加工 ，更深度的非線性變換 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，從更多視角掃描句子。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，真正理解下 Transformer 究竟是何方神聖。從而真正理解它究竟為什麽如此火爆
  。需要把每個詞轉換成一個向量，其工作嚴格遵循架構圖右側流程 ，但對模型來說是非常簡單高效的 。

  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
  ，對這個信息進行更複雜 、

  這就是單一的 Self-Attention 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  接下來，GPT、揭開 ChatGPT、