① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，文搞FFN 負責提升表達力。懂L的Decoder的看完輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。

為了理解這個過程 
，别人

也就是吹年說它和上麵的 Shifted Right協同工作，理解力越強。文搞

這就是吹年單一的 Self-Attention。但對模型來說是文搞非常簡單高效的 。

05｜重複 N 次：論文是 6 層 ，

句子中的看完每個詞都會生成 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，

sin/cos 位置編碼乍一看有點數學味 ，别人成為當今所有大語言模型的吹年基石 ，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。

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、

當提起 Transformer 這個話題時 ，“你”
、再通過殘差連接與LayerNorm保障訓練的穩定性 ，描述了針對同一段文字，需要參考 Encoder 的輸出
。

又暈了 ？其實通俗來講就是：Attention 負責找關係，也能堆更多層 。論文中的例子是並行開 8 個注意力頭 。每個詞被映射成一個向量 ，我們以翻譯任務為例：輸入 "I Love You"，對這個信息進行更複雜、可能主要關注輸入的 "Love"

生成 "你" 時，因此模型本身無法“天然”感知詞的先後關係。兩個不同的注意力頭所展現出的各自關係 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

一般來講，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎  。

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 ，

圖的左邊一側Input（輸入） ，

首先，

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
，

但這其實也是一個 超參（Hyperparameter）
。後麵這個字是啥 ，

注意力頭的數量是一個超參（Hyperparameter）
，Llama 都堆到了幾十層甚至上百層。最後由FFN進行深度非線性變換以增強特征表達。

今天我們就從這篇最初的論文出發 ，

下圖是論文最後給出的一個簡單示例 ，完美詮釋了 Attention is All You Need的革命性思想。從而真正理解它究竟為什麽如此火爆。仿佛人人都可以講些相關名詞出來 ，encoder、例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，並經過Add & Norm
。更抽象的特征表達，起不到訓練效果 。而不僅僅是做簡單的線性組合。

實際可以開12 個、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 ，旨在讓更多讀者看完就能通俗地、也就是一組數字，向量化這一步非常基礎 ，GPT 、但我們肯定還不能丟掉原始信息。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，

接下來
，輸出 "我愛你"。

後來的 BERT
、更深度的非線性變換
。連接輸入和輸出，需要把標準答案整體右移一位，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

所以，逐詞生成” 。但也是理解後麵一切的起點 。就越關注這個詞 。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
  ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。防止模型從未來抄答案。

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了，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 ，層數越多、並再次經過Add & Norm。其工作嚴格遵循架構圖右側流程，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，揭開 ChatGPT
  、

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，

  最終總結

  通過本文的講解 ，問：
  “你跟我有多相關？”

  打分越高 ，並在開頭加上起始符 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，但若深入追問細節 ，已經成為當下所有大模型的基礎。

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

論文裏 Encoder Nx這裏是堆了 6 層
。從更多視角掃描句子 。

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” 。

同樣通過一個FFN網絡進行深度加工，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，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，decoder什麽的，什麽自注意力機製啊、把相關信息搜集到一起；

FFN則負責深加工，整體代表Encoder；右邊一側Output（輸出），可能主要關注輸入的 "I"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”
，這層 Attention 是橋梁，隻能接受數字 。

所以需要額外告訴模型
：

“這是第 1 個詞
，上麵向右移一位沒啥意義呀 ，而是實實在在的矩陣乘法結果 。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，