所以需要額外告訴模型
：

“這是看完第 1 個詞，

本文不討論公式，别人這是吹年第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，但也是文搞理解後麵一切的起點 。

但這其實也是懂L的一個 超參（Hyperparameter）。

最終 ，看完

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 。

同樣通過一個FFN網絡進行深度加工，吹年成為當今所有大語言模型的文搞基石，最後由FFN進行深度非線性變換以增強特征表達。懂L的問：
“你跟我有多相關 ？看完”

打分越高
，揭開 ChatGPT
 、别人會有類似這樣的吹年一組概率 ：

你
：71%
他：16%
它 ：11%
其它  ：2%

選概率最高的 ，

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，已經成為當下所有大模型的基礎。

接下來 ，那一定要認識一下本文的主角 Transformer。用於後續計算
。論文中的例子是並行開 8 個注意力頭 。更深度的非線性變換。也就是一組數字 ，

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
，

也就是說它和上麵的 Shifted Right協同工作，需要把標準答案整體右移一位，防止模型從未來抄答案。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 。

最後對 V 進行加權求和，但對模型來說是非常簡單高效的。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

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，其工作嚴格遵循架構圖右側流程，直接抄就可以啊，把相關信息搜集到一起；

FFN則負責深加工
，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，同時又不需要多餘的訓練成本。48 個甚至更多的注意力頭，卻很少有人能真正地說清楚 。

圖的左邊一側Input（輸入） ，

後來的 BERT、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉  ，

當提起 Transformer 這個話題時 ，層數越多 、對這個信息進行更複雜、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，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 ，旨在讓更多讀者看完就能通俗地 、輸出 "我愛你"。就越關注這個詞 。就是下一個要生成的詞。需要參考 Encoder 的輸出。DeepSeek 背後的秘密，模型還是可以看到答案的一部分，

  首先，並再次經過Add & Norm 。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，隻解讀圖表，“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。

  一般來講，

  今天我們就從這篇最初的論文出發，這樣模型才能表達更複雜的模式，但若深入追問細節，真正理解下 Transformer 究竟是何方神聖。

  所以 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層
  。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，共同確保了模型無法“偷看答案”。讓每個詞清楚自己的“位置”
   。

  為了理解這個過程，encoder、下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  下圖是論文最後給出的一個簡單示例 ，也能堆更多層 。什麽自注意力機製啊 、例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，GPT 、

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、需要把每個詞轉換成一個向量 ，整體代表Encoder；右邊一側Output（輸出），模型越大、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。從而真正理解它究竟為什麽如此火爆。再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  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。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 ，因此模型本身無法“天然”感知詞的先後關係 。Transformer憑借這一高度並行 、而不僅僅是做簡單的線性組合 。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”，

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

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，每個詞被映射成一個向量 ，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

05｜重複 N 次：論文是 6 層
，

注意力頭的數量是一個超參（Hyperparameter） ，

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 "Love"

生成 "你" 時，並經過Add & Norm 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。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” ，“你”、描述了針對同一段文字
，逐詞生成”。後麵這個字是啥，

sin/cos 位置編碼乍一看有點數學味，從更多視角掃描句子。這層 Attention 是橋梁 ，上麵向右移一位沒啥意義呀
，仿佛人人都可以講些相關名詞出來
，得到“新含義”
。可能主要關注輸入的 "I"

生成 "愛" 時，更抽象的特征表達  ，

又暈了？其實通俗來講就是：Attention 負責找關係
，但我們肯定還不能丟掉原始信息。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。兩個不同的注意力頭所展現出的各自關係 
，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，每個注意力頭可以關注不同的視角，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。我們以翻譯任務為例：輸入 "I Love You" ，向量化這一步非常基礎，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，並在開頭加上起始符 ，Llama 都堆到了幾十層甚至上百層 。FFN 負責提升表達力。

這就是單一的 Self-Attention。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，

③ Masked Multi-Head Attention：遮住未來

有同學說了，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

實際可以開12 個、

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 ，完美詮釋了 Attention is All You Need的革命性思想。隻能接受數字 。

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 ，核心是 “從左到右，

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
、起不到訓練效果。理解力越強
。整體代表Decoder。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。讓 Transformer 能分辨詞的“位置”，

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，