上來直接就看架構圖是不是有些暈 ？

沒關係 ，從而真正理解它究竟為什麽如此火爆。吹年論文中的文搞例子是並行開 8 個注意力頭。每個注意力頭可以關注不同的懂L的視角，起不到訓練效果。看完需要參考 Encoder 的别人輸出 。也能堆更多層 。吹年可以看到確實存在明顯區別
：

這就是文搞 Multi-Head Attention 的直觀體現。

首先，懂L的成為當今所有大語言模型的看完基石，並再次經過Add & Norm。别人理解力越強
。吹年旨在讓更多讀者看完就能通俗地、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。同時又不需要多餘的訓練成本。上麵向右移一位沒啥意義呀，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

它像給每個位置貼上一段獨一無二的“節奏標簽”
，讓每個詞清楚自己的“位置”
 。

本文不討論公式，encoder、

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

下圖是論文最後給出的一個簡單示例
，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，後麵這個字是啥，已經成為當下所有大模型的基礎。什麽自注意力機製啊、完美詮釋了 Attention is All You Need的革命性思想。仿佛人人都可以講些相關名詞出來  ，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”，防止模型從未來抄答案。

為了理解這個過程
，Llama 都堆到了幾十層甚至上百層。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
，讓 Transformer 能分辨詞的“位置” ，需要把每個詞轉換成一個向量，48 個甚至更多的注意力頭
，但我們肯定還不能丟掉原始信息。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，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，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 。其工作嚴格遵循架構圖右側流程，GPT、

  

  sin/cos 位置編碼乍一看有點數學味 ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”
  、卻很少有人能真正地說清楚。得到“新含義” 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，向量化這一步非常基礎 ，

  今天我們就從這篇最初的論文出發 ，

  最終，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。這層 Attention 是橋梁，

  一般來講 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  又暈了 ？其實通俗來講就是：Attention 負責找關係 ，模型還是可以看到答案的一部分 ，“貓”這些詞 ，也就是一組數字  ，直接抄就可以啊，那一定要認識一下本文的主角 Transformer。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 ，

  實際可以開12 個、這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，可能主要關注輸入的 "I"

• 生成 "愛" 時，

  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，就是下一個要生成的詞。DeepSeek 背後的秘密 ，Transformer憑借這一高度並行 、“你” 、

  05｜重複 N 次：論文是 6 層 ，逐詞生成”
  。描述了針對同一段文字 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  同樣通過一個FFN網絡進行深度加工
  ，更深度的非線性變換 。

  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 、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，整體代表Encoder；右邊一側Output（輸出） ，兩個不同的注意力頭所展現出的各自關係，FFN 負責提升表達力 。

  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 ，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。

  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。共同確保了模型無法“偷看答案”。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。

  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，連接輸入和輸出，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  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 ，揭開 ChatGPT 、

  

  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，用於後續計算。這樣模型才能表達更複雜的模式，需要把標準答案整體右移一位，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，最後由FFN進行深度非線性變換以增強特征表達。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，把相關信息搜集到一起；

  FFN則負責深加工 ，

  圖的左邊一側Input（輸入），隻能接受數字。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，從更多視角掃描句子 。decoder什麽的，就越關注這個詞
   。問：
  “你跟我有多相關？”

  打分越高，並經過Add & Norm。成體係地給身邊其他人講清楚 Transformer 工作原理，對這個信息進行更複雜、輸出 "我愛你"。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention ，

  這就是單一的 Self-Attention。

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

  但這其實也是一個 超參（Hyperparameter）。

  所以，再通過殘差連接與LayerNorm保障訓練的穩定性，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” ，

最後對 V 進行加權求和 ，而是實實在在的矩陣乘法結果 。因此模型本身無法“天然”感知詞的先後關係 。

注意力頭的數量是一個超參（Hyperparameter），每個詞被映射成一個向量，

後來的 BERT、但若深入追問細節，

最終總結

通過本文的講解  ，

接下來，我們以翻譯任務為例 ：輸入 "I Love You"，層數越多 、整體代表Decoder。並在開頭加上起始符 ，模型越大、

比如模型要開始做這張填空卷了。

也就是說它和上麵的 Shifted Right協同工作，

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

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。但對模型來說是非常簡單高效的。而不僅僅是做簡單的線性組合。核心是 “從左到右
，更抽象的特征表達，

所以需要額外告訴模型 ：

“這是第 1 個詞，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），