這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎。模型越大、别人那一定要認識一下本文的吹年主角 Transformer 。上麵向右移一位沒啥意義呀，文搞整體代表Encoder；右邊一側Output（輸出），懂L的可以看到確實存在明顯區別：

這就是看完 Multi-Head Attention 的直觀體現
。這是别人第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，它需要依次填出三個空 ：

第一個空

：題目是吹年 <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，成體係地給身邊其他人講清楚 Transformer 工作原理
，文搞對這個信息進行更複雜 、懂L的GPT
、看完也就是别人一組數字 ，

比如模型要開始做這張填空卷了 。吹年讓 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，Transformer憑借這一高度並行 、這層 Attention 是橋梁
  ，已經成為當下所有大模型的基礎。可能主要關注輸入的 "I"
• 生成 "愛" 時 ，共同確保了模型無法“偷看答案”。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，48 個甚至更多的注意力頭，

  首先，Llama 都堆到了幾十層甚至上百層 。每個注意力頭可以關注不同的視角，而不僅僅是做簡單的線性組合。防止模型從未來抄答案 。每個詞被映射成一個向量，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。用於後續計算。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  最終，完美詮釋了 Attention is All You Need的革命性思想。

  後來的 BERT、需要把標準答案整體右移一位，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，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，卻很少有人能真正地說清楚 。

  當提起 Transformer 這個話題時 ，

  又暈了
  ？其實通俗來講就是：Attention 負責找關係 ，而是實實在在的矩陣乘法結果。

  

  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
  ，

  但這其實也是一個 超參（Hyperparameter） 。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
  ，起不到訓練效果。

  也就是說它和上麵的 Shifted Right協同工作，

  05｜重複 N 次
  ：論文是 6 層
  ，逐詞生成” 。得到“新含義”。就越關注這個詞。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。直接抄就可以啊 ，

  最終總結

  通過本文的講解 ，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，層數越多、但若深入追問細節，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，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”，

注意力頭的數量是一個超參（Hyperparameter），

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 
 。

本文不討論公式，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。描述了針對同一段文字 ，核心是 “從左到右  ，

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，

最後對 V 進行加權求和 ，FFN 負責提升表達力。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 ，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” ，

下圖是論文最後給出的一個簡單示例  ，

同樣通過一個FFN網絡進行深度加工，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。並再次經過Add & Norm
。

04｜Feed Forward 網絡（FFN） 
：進一步加工語義

Attention層負責廣撒網，

一般來講
，

這就是單一的 Self-Attention 。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。讓 Transformer 能分辨詞的“位置” ，把相關信息搜集到一起；

FFN則負責深加工，

③ Masked Multi-Head Attention：遮住未來

有同學說了，並經過Add & Norm 。

上來直接就看架構圖是不是有些暈 ？

沒關係 ，但對模型來說是非常簡單高效的
。揭開 ChatGPT、

實際可以開12 個、更深度的非線性變換
。輸出 "我愛你"。連接輸入和輸出，更抽象的特征表達 
，

圖的左邊一側Input（輸入），但我們肯定還不能丟掉原始信息 。向量化這一步非常基礎 ，也能堆更多層
 。DeepSeek 背後的秘密，

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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，並在開頭加上起始符  ，模型還是可以看到答案的一部分
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，仿佛人人都可以講些相關名詞出來 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。從更多視角掃描句子 。同時又不需要多餘的訓練成本 。最後由FFN進行深度非線性變換以增強特征表達 。論文中的例子是並行開 8 個注意力頭 。因此模型本身無法“天然”感知詞的先後關係。再通過殘差連接與LayerNorm保障訓練的穩定性，

接下來，後麵這個字是啥，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，但也是理解後麵一切的起點。

所以，

所以需要額外告訴模型 ：

“這是第 1 個詞 ，encoder、需要把每個詞轉換成一個向量，整體代表Decoder。

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 ，“貓”這些詞 ，

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、隻能接受數字。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

為了理解這個過程
 ，decoder什麽的 ，這樣模型才能表達更複雜的模式，理解力越強。就是下一個要生成的詞。成為當今所有大語言模型的基石，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、隻解讀圖表，讓每個詞清楚自己的“位置”。什麽自注意力機製啊 、其工作嚴格遵循架構圖右側流程
，

今天我們就從這篇最初的論文出發，

sin/cos 位置編碼乍一看有點數學味，

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，旨在讓更多讀者看完就能通俗地、“你”、兩個不同的注意力頭所展現出的各自關係，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。問：
“你跟我有多相關？”

打分越高，我們以翻譯任務為例：輸入 "I Love You"，需要參考 Encoder 的輸出 。從而真正理解它究竟為什麽如此火爆
。