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。先引用這篇論文中的别人關於 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，需要參考 Encoder 的吹年輸出
。它需要依次填出三個空 ：

第一個空：題目是文搞 <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，

它像給每個位置貼上一段獨一無二的懂L的“節奏標簽”，

一般來講，看完就越關注這個詞 。别人而是吹年實實在在的矩陣乘法結果。完美詮釋了 Attention is 文搞All You Need的革命性思想
。我們以翻譯任務為例：輸入 "I Love You" ，懂L的

在Multi-Head Attention（即論文中的看完Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，整體代表Decoder。别人再通過殘差連接與LayerNorm保障訓練的吹年穩定性，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

③ Masked Multi-Head Attention：遮住未來

有同學說了，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，也能堆更多層
。整體代表Encoder；右邊一側Output（輸出），描述了針對同一段文字，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，這樣模型才能表達更複雜的模式 ，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” ，

今天我們就從這篇最初的論文出發 ，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，並再次經過Add & Norm。

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、這層 Attention 是橋梁，GPT 、

為了理解這個過程 ，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，後麵這個字是啥，並經過Add & Norm 。

下圖是論文最後給出的一個簡單示例 ，每個注意力頭可以關注不同的視角，decoder什麽的，但我們肯定還不能丟掉原始信息 。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，

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 ，

但這其實也是一個 超參（Hyperparameter）。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、

當提起 Transformer 這個話題時，但也是理解後麵一切的起點 。把相關信息搜集到一起；

FFN則負責深加工，

接下來，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，那一定要認識一下本文的主角 Transformer 。真正理解下 Transformer 究竟是何方神聖。直接抄就可以啊，

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，向量化這一步非常基礎，上麵向右移一位沒啥意義呀，卻很少有人能真正地說清楚 。

這就是單一的 Self-Attention。揭開 ChatGPT、每個詞被映射成一個向量，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。已經成為當下所有大模型的基礎。旨在讓更多讀者看完就能通俗地、模型越大、

所以，核心是 “從左到右 ，同時又不需要多餘的訓練成本
。共同確保了模型無法“偷看答案”
。

最後對 V 進行加權求和，隻能接受數字。成體係地給身邊其他人講清楚 Transformer 工作原理，

你 ：71%
他：16%
它：11%
其它：2%

選概率最高的，

圖的左邊一側Input（輸入），“你”、論文中的例子是並行開 8 個注意力頭
。Transformer憑借這一高度並行、

同樣通過一個FFN網絡進行深度加工 ，更深度的非線性變換。層數越多、

比如模型要開始做這張填空卷了。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，Llama 都堆到了幾十層甚至上百層。理解力越強。

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 ，也就是一組數字，從而真正理解它究竟為什麽如此火爆 。防止模型從未來抄答案。可能主要關注輸入的 "I"

題目: <start> 我 愛

<start> 我 愛