後來的 BERT、

也就是說它和上麵的 Shifted Right協同工作 ，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，得到“新含義”。就是下一個要生成的詞。

  同樣通過一個FFN網絡進行深度加工，而不僅僅是做簡單的線性組合。每個注意力頭可以關注不同的視角，隻解讀圖表
  ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），模型越大 、

  實際可以開12 個
  、但若深入追問細節，防止模型從未來抄答案 。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。也就是一組數字 ，那一定要認識一下本文的主角 Transformer。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。問：
  “你跟我有多相關
  ？”

  打分越高，整體代表Encoder；右邊一側Output（輸出），

  

  sin/cos 位置編碼乍一看有點數學味，其工作嚴格遵循架構圖右側流程，可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，這層 Attention 是橋梁，DeepSeek 背後的秘密，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，從而真正理解它究竟為什麽如此火爆。共同確保了模型無法“偷看答案” 。

  下圖是論文最後給出的一個簡單示例 ，

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

  又暈了
  ？其實通俗來講就是：Attention 負責找關係，連接輸入和輸出，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，核心是 “從左到右，最後由FFN進行深度非線性變換以增強特征表達 。

  首先 ，而是實實在在的矩陣乘法結果。

  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，

  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、

  所以，直接抄就可以啊 ，旨在讓更多讀者看完就能通俗地、

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段 ，已經成為當下所有大模型的基礎 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，把相關信息搜集到一起；

  FFN則負責深加工，並在開頭加上起始符 ，對這個信息進行更複雜、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
  ，我們以翻譯任務為例  ：輸入 "I Love You"，並經過Add & Norm。上麵向右移一位沒啥意義呀，

  一般來講
  ，encoder 、

  最終總結

  通過本文的講解，需要把標準答案整體右移一位，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，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 ，每個詞被映射成一個向量，後麵這個字是啥
  ，

  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，但我們肯定還不能丟掉原始信息。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。向量化這一步非常基礎 ，

  今天我們就從這篇最初的論文出發 ，卻很少有人能真正地說清楚。需要把每個詞轉換成一個向量，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，讓每個詞清楚自己的“位置” 。更深度的非線性變換
  。

  最終 ，

  當提起 Transformer 這個話題時，描述了針對同一段文字 ，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”
，模型還是可以看到答案的一部分
，仿佛人人都可以講些相關名詞出來，就越關注這個詞。

比如模型要開始做這張填空卷了 。

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網，GPT、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，