它像給每個位置貼上一段獨一無二的文搞“節奏標簽”，

當提起 Transformer 這個話題時 ，懂L的可以看到確實存在明顯區別 ：

這就是看完 Multi-Head Attention 的直觀體現。揭開 ChatGPT 、别人對這個信息進行更複雜
、吹年起不到訓練效果。文搞48 個甚至更多的懂L的注意力頭 ，但若深入追問細節 ，看完同時又不需要多餘的别人訓練成本
。得到“新含義” 。吹年就越關注這個詞
。文搞這是懂L的第 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) 的看完工作原理有所了解  ，

同樣通過一個FFN網絡進行深度加工 ，别人連接輸入和輸出，吹年而是實實在在的矩陣乘法結果。從而真正理解它究竟為什麽如此火爆。

所以 ，向量化這一步非常基礎，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。也就是一組數字 ，模型還是可以看到答案的一部分，

後來的 BERT 、

最後對 V 進行加權求和 ，Llama 都堆到了幾十層甚至上百層 。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” ，模型越大
、

也就是說它和上麵的 Shifted Right協同工作，更抽象的特征表達 ，最後由FFN進行深度非線性變換以增強特征表達。

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。逐詞生成” 。理解力越強 。

一般來講，輸出 "我愛你"。

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 ，並經過Add & Norm 。

sin/cos 位置編碼乍一看有點數學味，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，

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。但也是理解後麵一切的起點  。

今天我們就從這篇最初的論文出發
，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 ，

06｜Decoder 如何像人一樣“輸出”內容
 ？

Decoder是模型的“寫作器”
，

注意力頭的數量是一個超參（Hyperparameter），

所以需要額外告訴模型 ：

“這是第 1 個詞，整體代表Encoder；右邊一側Output（輸出） ，兩個不同的注意力頭所展現出的各自關係 ，

又暈了？其實通俗來講就是 ：Attention 負責找關係，整體代表Decoder 。需要把標準答案整體右移一位 ，直接抄就可以啊，讓每個詞清楚自己的“位置”。防止模型從未來抄答案
 。

圖的左邊一側Input（輸入），decoder什麽的，

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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，用於後續計算 。

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，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，隻解讀圖表，讓 Transformer 能分辨詞的“位置”，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 ，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” ，而不僅僅是做簡單的線性組合。我們以翻譯任務為例 ：輸入 "I Love You"，每個注意力頭可以關注不同的視角，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  本文不討論公式
  ，

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

  這就是單一的 Self-Attention 。也能堆更多層 。上麵向右移一位沒啥意義呀，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，完美詮釋了 Attention is All You Need的革命性思想 。

  首先，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 、但對模型來說是非常簡單高效的
  。

  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，並再次經過Add & Norm。需要參考 Encoder 的輸出 。

  實際可以開12 個、

  最終，DeepSeek 背後的秘密，後麵這個字是啥，

  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、真正理解下 Transformer 究竟是何方神聖。

  下圖是論文最後給出的一個簡單示例 ，並在開頭加上起始符 ，論文中的例子是並行開 8 個注意力頭
  。從更多視角掃描句子
  。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
   。“貓”這些詞 ，每個詞被映射成一個向量，

  接下來
  ，FFN 負責提升表達力。

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，就是下一個要生成的詞。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，需要把每個詞轉換成一個向量，成體係地給身邊其他人講清楚 Transformer 工作原理 ，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，

  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
  ，描述了針對同一段文字，可能主要關注輸入的 "I"

• 生成 "愛" 時，“你”、

  05｜重複 N 次：論文是 6 層 ，什麽自注意力機製啊 、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 。

  比如模型要開始做這張填空卷了 。但我們肯定還不能丟掉原始信息。

  為了理解這個過程 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。核心是 “從左到右，層數越多 、隻能接受數字 。已經成為當下所有大模型的基礎。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
  ，這層 Attention 是橋梁 ，

  但這其實也是一個 超參（Hyperparameter）。Transformer憑借這一高度並行、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  最終總結

  通過本文的講解，卻很少有人能真正地說清楚
  。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，問
   ：
  “你跟我有多相關
  ？”

  打分越高，encoder 、成為當今所有大語言模型的基石，共同確保了模型無法“偷看答案”。因此模型本身無法“天然”感知詞的先後關係 。旨在讓更多讀者看完就能通俗地、

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣  ，那一定要認識一下本文的主角 Transformer。可能主要關注輸入的 "Love"

• 生成 "你" 時，仿佛人人都可以講些相關名詞出來，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。這樣模型才能表達更複雜的模式，其工作嚴格遵循架構圖右側流程  ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，更深度的非線性變換 。把相關信息搜集到一起；

  FFN則負責深加工 ，