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
，看完

這其實也是别人模型訓練堆GPU能“大力出奇跡”的理論基礎 。已經成為當下所有大模型的吹年基礎。層數越多、文搞防止模型從未來抄答案。懂L的讓 Decoder 可以“請教 Encoder” ：

“你生成的看完詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"
：

• 生成 "我" 時 ，

  本文不討論公式，别人最後由FFN進行深度非線性變換以增強特征表達。吹年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，

  為了理解這個過程，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，整體代表Encoder；右邊一側Output（輸出），

  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，就是下一個要生成的詞 。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。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。從而真正理解它究竟為什麽如此火爆。Llama 都堆到了幾十層甚至上百層。同時又不需要多餘的訓練成本。讓 Transformer 能分辨詞的“位置”，也就是一組數字，下麵我們就來一步步通俗理解下這張架構圖的深層含義。就越關注這個詞。連接輸入和輸出 ，

  下圖是論文最後給出的一個簡單示例，48 個甚至更多的注意力頭，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段
  ，

  也就是說它和上麵的 Shifted Right協同工作，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了
  ，整體代表Decoder 。共同確保了模型無法“偷看答案”
  。讓每個詞清楚自己的“位置” 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。用於後續計算 。因此模型本身無法“天然”感知詞的先後關係 。並再次經過Add & Norm 。

  所以需要額外告訴模型：

  “這是第 1 個詞，直接抄就可以啊，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，並在開頭加上起始符 ，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”，

最終，得到“新含義” 。

注意力頭的數量是一個超參（Hyperparameter） ，而不僅僅是做簡單的線性組合。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，這層 Attention 是橋梁，我們以翻譯任務為例 ：輸入 "I Love You"，需要把每個詞轉換成一個向量，每個詞被映射成一個向量
，起不到訓練效果。

圖的左邊一側Input（輸入） ，

這就是單一的 Self-Attention 。隻解讀圖表 ，“貓”這些詞 ，旨在讓更多讀者看完就能通俗地 、

① Input Embedding 
：把詞變成數字向量

模型不認識“我”、需要參考 Encoder 的輸出。

首先，但若深入追問細節，

後來的 BERT
、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。仿佛人人都可以講些相關名詞出來
，理解力越強。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，

比如模型要開始做這張填空卷了 。每個注意力頭可以關注不同的視角
，“你”、decoder什麽的，成為當今所有大語言模型的基石，

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，

所以，完美詮釋了 Attention is All You Need的革命性思想 。FFN 負責提升表達力。兩個不同的注意力頭所展現出的各自關係，

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，

一般來講 ，encoder、

接下來 ，

05｜重複 N 次 ：論文是 6 層 ，

sin/cos 位置編碼乍一看有點數學味，輸出 "我愛你" 。而是實實在在的矩陣乘法結果。核心是 “從左到右，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

模型越大 、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，需要把標準答案整體右移一位，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，成體係地給身邊其他人講清楚 Transformer 工作原理 ，更抽象的特征表達 ，揭開 ChatGPT 、其工作嚴格遵循架構圖右側流程，對這個信息進行更複雜、並經過Add & Norm。

今天我們就從這篇最初的論文出發
，模型還是可以看到答案的一部分，

最後對 V 進行加權求和 ，論文中的例子是並行開 8 個注意力頭。問：
“你跟我有多相關  ？”

打分越高，從更多視角掃描句子 。向量化這一步非常基礎，

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 ，

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。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，什麽自注意力機製啊 、更深度的非線性變換
。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。Transformer憑借這一高度並行、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”，再通過殘差連接與LayerNorm保障訓練的穩定性 ，逐詞生成”。上麵向右移一位沒啥意義呀，

實際可以開12 個、也能堆更多層。卻很少有人能真正地說清楚 。

但這其實也是一個 超參（Hyperparameter）
。但我們肯定還不能丟掉原始信息
。

又暈了
 ？其實通俗來講就是：Attention 負責找關係
，

同樣通過一個FFN網絡進行深度加工，

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 、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，但也是理解後麵一切的起點。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，那一定要認識一下本文的主角 Transformer 。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，

最終總結

通過本文的講解，描述了針對同一段文字 ，

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，這樣模型才能表達更複雜的模式，DeepSeek 背後的秘密，GPT、隻能接受數字。把相關信息搜集到一起；

FFN則負責深加工，