所以需要額外告訴模型 ：

“這是文搞第 1 個詞，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、懂L的讓每個詞清楚自己的看完“位置” 。直接抄就可以啊，别人但若深入追問細節，吹年從而真正理解它究竟為什麽如此火爆 。文搞並在開頭加上起始符 ，懂L的

後來的看完 BERT、

本文不討論公式，别人同時又不需要多餘的吹年訓練成本。句子裏的文搞每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分”，可能主要關注輸入的懂L的 "I"

生成 "愛" 時，再通過殘差連接與LayerNorm保障訓練的看完穩定性，最後由FFN進行深度非線性變換以增強特征表達 。别人

實際可以開12 個
、吹年連接輸入和輸出，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 ，

最終，Transformer憑借這一高度並行 、

同樣通過一個FFN網絡進行深度加工，旨在讓更多讀者看完就能通俗地、

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，共同確保了模型無法“偷看答案” 。而不僅僅是做簡單的線性組合 。就越關注這個詞。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
。GPT
、

① Output Embedding  ：先把輸出詞變向量

理解方式和輸入一樣，理解力越強
。

又暈了 ？其實通俗來講就是：Attention 負責找關係 ，DeepSeek 背後的秘密 ，因此模型本身無法“天然”感知詞的先後關係。“你” 、描述了針對同一段文字，decoder什麽的，得到“新含義”。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。層數越多、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 ，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。讓 Transformer 能分辨詞的“位置”，完美詮釋了 Attention is All You Need的革命性思想。也能堆更多層。但也是理解後麵一切的起點
 。

05｜重複 N 次：論文是 6 層，但對模型來說是非常簡單高效的。仿佛人人都可以講些相關名詞出來，防止模型從未來抄答案。揭開 ChatGPT、

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，那一定要認識一下本文的主角 Transformer。兩個不同的注意力頭所展現出的各自關係，真正理解下 Transformer 究竟是何方神聖。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
。

也就是說它和上麵的 Shifted Right協同工作 ，我們以翻譯任務為例：輸入 "I Love You"，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，

當提起 Transformer 這個話題時 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

但這其實也是一個 超參（Hyperparameter）。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

圖的左邊一側Input（輸入），需要參考 Encoder 的輸出。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，模型還是可以看到答案的一部分
  ，並再次經過Add & Norm 。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” 
  ，從更多視角掃描句子
  。成體係地給身邊其他人講清楚 Transformer 工作原理，卻很少有人能真正地說清楚。

  今天我們就從這篇最初的論文出發 ，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 ，

  最終總結

  通過本文的講解 ，已經成為當下所有大模型的基礎 。

  一般來講 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，更抽象的特征表達，encoder、

  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，

  最後對 V 進行加權求和
  ，用於後續計算 。每個詞被映射成一個向量，逐詞生成”。對這個信息進行更複雜
  、

  所以，問：
  “你跟我有多相關？”

  打分越高，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。核心是 “從左到右 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，後麵這個字是啥，隻能接受數字 。整體代表Decoder。模型越大、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，更深度的非線性變換 。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，需要把標準答案整體右移一位，每個注意力頭可以關注不同的視角，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。隻解讀圖表 ，整體代表Encoder；右邊一側Output（輸出） ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，但我們肯定還不能丟掉原始信息。並經過Add & Norm
。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，就是下一個要生成的詞 。也就是一組數字，

下圖是論文最後給出的一個簡單示例 ，

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，這樣模型才能表達更複雜的模式，這層 Attention 是橋梁，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，向量化這一步非常基礎，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 ，

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。其工作嚴格遵循架構圖右側流程，上麵向右移一位沒啥意義呀
，需要把每個詞轉換成一個向量 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，論文中的例子是並行開 8 個注意力頭 。可能主要關注輸入的 "Love"

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 ______

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛” ，

這就是單一的 Self-Attention。而是實實在在的矩陣乘法結果 。成為當今所有大語言模型的基石 ，輸出 "我愛你"
。