05｜重複 N 次：論文是 6 層
 ，

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  。成體係地給身邊其他人講清楚 Transformer 工作原理，看完

最終總結

通過本文的别人講解 ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，吹年

如果你想對當下 AI LLM(大語言模型) 的文搞工作原理有所了解 ，仿佛人人都可以講些相關名詞出來
，懂L的上麵向右移一位沒啥意義呀 ，看完為啥又需要 Multi-Head Attention 呢？别人

因為我們需要從多個角度來理解自然語言 
。

但這其實也是吹年一個 超參（Hyperparameter） 。也就是文搞一組數字 ，句子裏的懂L的每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分”，已經成為當下所有大模型的看完基礎。防止模型從未來抄答案。别人輸出 "我愛你"
 。吹年從而真正理解它究竟為什麽如此火爆。對這個信息進行更複雜 、

實際可以開12 個、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，decoder什麽的，向量化這一步非常基礎 ，模型越大、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
，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
，並再次經過Add & Norm。GPT 、

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
，我們以翻譯任務為例：輸入 "I Love You"，模型還是可以看到答案的一部分 ，這樣模型才能表達更複雜的模式 ，同時又不需要多餘的訓練成本
。整體代表Encoder；右邊一側Output（輸出） ，直接抄就可以啊 ，那一定要認識一下本文的主角 Transformer。描述了針對同一段文字，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  ，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，

又暈了
？其實通俗來講就是 ：Attention 負責找關係 ，Llama 都堆到了幾十層甚至上百層 。“你”、

本文不討論公式 ，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，其工作嚴格遵循架構圖右側流程，核心是 “從左到右 ，

首先 ，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，但對模型來說是非常簡單高效的 。每個詞被映射成一個向量，並在開頭加上起始符  ，但我們肯定還不能丟掉原始信息。

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 ，

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

圖的左邊一側Input（輸入），

今天我們就從這篇最初的論文出發 ，隻解讀圖表 ，

為了理解這個過程 ，逐詞生成” 。

注意力頭的數量是一個超參（Hyperparameter） ，但也是理解後麵一切的起點 。

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，48 個甚至更多的注意力頭
，成為當今所有大語言模型的基石，讓每個詞清楚自己的“位置”。但若深入追問細節，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

也就是說它和上麵的 Shifted Right協同工作，論文中的例子是並行開 8 個注意力頭 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

後來的 BERT
、

③ Masked Multi-Head Attention
：遮住未來

有同學說了，卻很少有人能真正地說清楚。而不僅僅是做簡單的線性組合
。也能堆更多層。需要把每個詞轉換成一個向量 ，“貓”這些詞 ，

① Input Embedding
：把詞變成數字向量

模型不認識“我”、

sin/cos 位置編碼乍一看有點數學味 ，揭開 ChatGPT 、這層 Attention 是橋梁，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

這就是單一的 Self-Attention。最後由FFN進行深度非線性變換以增強特征表達。並經過Add & Norm
。旨在讓更多讀者看完就能通俗地
、整體代表Decoder。因此模型本身無法“天然”感知詞的先後關係 。

所以需要額外告訴模型：

“這是第 1 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，層數越多 、隻能接受數字
  。

  比如模型要開始做這張填空卷了 。

  接下來 ，更抽象的特征表達 ，

  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，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。就是下一個要生成的詞
  。Transformer憑借這一高度並行、真正理解下 Transformer 究竟是何方神聖 。需要參考 Encoder 的輸出 。可能主要關注輸入的 "I"

• 生成 "愛" 時，

  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、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，理解力越強。連接輸入和輸出 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，完美詮釋了 Attention is All You Need的革命性思想 。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”
，得到“新含義”。

下圖是論文最後給出的一個簡單示例  ，而是實實在在的矩陣乘法結果。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，兩個不同的注意力頭所展現出的各自關係，

最終 ，從更多視角掃描句子
。用於後續計算  。

當提起 Transformer 這個話題時 ，encoder、共同確保了模型無法“偷看答案”。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。把相關信息搜集到一起；

FFN則負責深加工，起不到訓練效果。

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，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

最後對 V 進行加權求和，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。可能主要關注輸入的 "Love"