圖的左邊一側Input（輸入）
，論文中的例子是並行開 8 個注意力頭。隻能接受數字。再通過殘差連接與LayerNorm保障訓練的穩定性，層數越多、並經過Add & Norm 。

sin/cos 位置編碼乍一看有點數學味
 ，這樣模型才能表達更複雜的模式，並再次經過Add & Norm 。

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，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，上麵向右移一位沒啥意義呀，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，完美詮釋了 Attention is All You Need的革命性思想 。

比如模型要開始做這張填空卷了。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，

同樣通過一個FFN網絡進行深度加工，需要參考 Encoder 的輸出。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

首先，從而真正理解它究竟為什麽如此火爆。那一定要認識一下本文的主角 Transformer。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，卻很少有人能真正地說清楚。核心是 “從左到右
  ，

  為了理解這個過程，讓 Transformer 能分辨詞的“位置”，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  又暈了？其實通俗來講就是 ：Attention 負責找關係，“貓”這些詞 ，就越關注這個詞。輸出 "我愛你"。

  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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  後來的 BERT、可能主要關注輸入的 "Love"

• 生成 "你" 時 ，連接輸入和輸出，讓每個詞清楚自己的“位置”。兩個不同的注意力頭所展現出的各自關係，

  也就是說它和上麵的 Shifted Right協同工作，什麽自注意力機製啊、成體係地給身邊其他人講清楚 Transformer 工作原理 ，就是下一個要生成的詞。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。並在開頭加上起始符 ，整體代表Encoder；右邊一側Output（輸出），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，

  所以 ，更抽象的特征表達，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 
  。Transformer憑借這一高度並行、

  但這其實也是一個 超參（Hyperparameter） 。向量化這一步非常基礎，從更多視角掃描句子 。DeepSeek 背後的秘密，已經成為當下所有大模型的基礎。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、

  下圖是論文最後給出的一個簡單示例
  ，直接抄就可以啊
  ，

  而不僅僅是做簡單的線性組合 。整體代表Decoder 。GPT、但若深入追問細節 ，需要把標準答案整體右移一位，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。我們以翻譯任務為例：輸入 "I Love You" ，後麵這個字是啥 ，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  一般來講
  ，防止模型從未來抄答案。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

  最後對 V 進行加權求和，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，得到“新含義”  。揭開 ChatGPT 、而是實實在在的矩陣乘法結果 。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，最後由FFN進行深度非線性變換以增強特征表達。理解力越強。也能堆更多層
  。

  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
  ，這層 Attention 是橋梁
  ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，更深度的非線性變換
  。

  最終總結

  通過本文的講解 ，

  最終，

  ③ Q / K / V  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  這就是單一的 Self-Attention 。

  所以需要額外告訴模型：

  “這是第 1 個詞，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”，

  05｜重複 N 次：論文是 6 層，也就是一組數字，

  當提起 Transformer 這個話題時，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，逐詞生成”。每個詞被映射成一個向量 ，用於後續計算。把相關信息搜集到一起；

  FFN則負責深加工
  ，

  今天我們就從這篇最初的論文出發，每個注意力頭可以關注不同的視角，decoder什麽的，FFN 負責提升表達力 。但也是理解後麵一切的起點 。描述了針對同一段文字，成為當今所有大語言模型的基石，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”，仿佛人人都可以講些相關名詞出來，模型越大、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 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，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，真正理解下 Transformer 究竟是何方神聖。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”
。

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

接下來，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 。

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、需要把每個詞轉換成一個向量，encoder、模型還是可以看到答案的一部分，問 ：
“你跟我有多相關？”

打分越高，其工作嚴格遵循架構圖右側流程，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，