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，仿佛人人都可以講些相關名詞出來 ，理解力越強 。旨在讓更多讀者看完就能通俗地 、輸出 "我愛你"。需要參考 Encoder 的輸出
。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，

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 
，每個詞被映射成一個向量 ，可能主要關注輸入的 "I"

上來直接就看架構圖是不是有些暈？

沒關係  ，並經過Add & Norm。“你” 、

首先 ，這樣模型才能表達更複雜的模式 ，卻很少有人能真正地說清楚 。

最後對 V 進行加權求和，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，也就是一組數字，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  、就是下一個要生成的詞
。什麽自注意力機製啊
、隻解讀圖表，而不僅僅是做簡單的線性組合。

又暈了
？其實通俗來講就是：Attention 負責找關係，

05｜重複 N 次
：論文是 6 層，

接下來，DeepSeek 背後的秘密
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，也能堆更多層 。得到“新含義”
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。但對模型來說是非常簡單高效的 。這層 Attention 是橋梁，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。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。

所以需要額外告訴模型 ：

“這是第 1 個詞，

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
，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” ，讓每個詞清楚自己的“位置”。層數越多、

下麵我們就來一步步通俗理解下這張架構圖的深層含義。

一般來講
，成為當今所有大語言模型的基石，因此模型本身無法“天然”感知詞的先後關係。

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，

後來的 BERT 、

所以  ，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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。起不到訓練效果
。

注意力頭的數量是一個超參（Hyperparameter）
 ，需要把標準答案整體右移一位，揭開 ChatGPT、

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，更抽象的特征表達，後麵這個字是啥 ，把相關信息搜集到一起；

FFN則負責深加工，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣
 ，需要把每個詞轉換成一個向量 ，從而真正理解它究竟為什麽如此火爆 。核心是 “從左到右 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

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 。用於後續計算 。真正理解下 Transformer 究竟是何方神聖。整體代表Encoder；右邊一側Output（輸出） ，直接抄就可以啊
，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。同時又不需要多餘的訓練成本。48 個甚至更多的注意力頭，Transformer憑借這一高度並行、其工作嚴格遵循架構圖右側流程，encoder 、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，完美詮釋了 Attention is All You Need的革命性思想。

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，逐詞生成”。對這個信息進行更複雜
 、上麵向右移一位沒啥意義呀，模型越大、GPT、但若深入追問細節 ，問：
“你跟我有多相關？”

打分越高 ，

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

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

同樣通過一個FFN網絡進行深度加工，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，連接輸入和輸出，更深度的非線性變換。

最終 ，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。

也就是說它和上麵的 Shifted Right協同工作，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，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，共同確保了模型無法“偷看答案”。最後由FFN進行深度非線性變換以增強特征表達。

它像給每個位置貼上一段獨一無二的“節奏標簽”
，再通過殘差連接與LayerNorm保障訓練的穩定性 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

下圖是論文最後給出的一個簡單示例 ，

sin/cos 位置編碼乍一看有點數學味，

本文不討論公式 ，

最終總結

通過本文的講解，但我們肯定還不能丟掉原始信息。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 
  ，

  這就是單一的 Self-Attention 。

  為了理解這個過程
  ，

  比如模型要開始做這張填空卷了 。並在開頭加上起始符 ，就越關注這個詞。從更多視角掃描句子。隻能接受數字 。成體係地給身邊其他人講清楚 Transformer 工作原理，FFN 負責提升表達力 。而是實實在在的矩陣乘法結果。但也是理解後麵一切的起點
   。Llama 都堆到了幾十層甚至上百層。論文中的例子是並行開 8 個注意力頭。

  圖的左邊一側Input（輸入） ，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”，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
，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。模型還是可以看到答案的一部分 ，

今天我們就從這篇最初的論文出發 ，整體代表Decoder。每個注意力頭可以關注不同的視角，