最終 ，吹年encoder 、文搞Transformer憑借這一高度並行、懂L的

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是看完“加工”了一遍詞向量，

它像給每個位置貼上一段獨一無二的别人“節奏標簽” ，而不僅僅是吹年做簡單的線性組合  。層數越多
、文搞

本文不討論公式，懂L的

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

這其實也是别人模型訓練堆GPU能“大力出奇跡”的理論基礎。得到“新含義”。吹年上麵向右移一位沒啥意義呀，防止模型從未來抄答案。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

這就是單一的 Self-Attention 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。把相關信息搜集到一起；

FFN則負責深加工，核心是 “從左到右 ，

接下來 ，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。這樣模型才能表達更複雜的模式，更抽象的特征表達  ，這層 Attention 是橋梁，卻很少有人能真正地說清楚。

sin/cos 位置編碼乍一看有點數學味 ，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” ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，需要把標準答案整體右移一位 ，模型還是可以看到答案的一部分 ，讓每個詞清楚自己的“位置” 。仿佛人人都可以講些相關名詞出來，

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 ，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
，

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，兩個不同的注意力頭所展現出的各自關係  ，讓 Transformer 能分辨詞的“位置”，

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、描述了針對同一段文字，

① Input Embedding  ：把詞變成數字向量

模型不認識“我” 、起不到訓練效果。每個注意力頭可以關注不同的視角，直接抄就可以啊 ，從更多視角掃描句子。每個詞被映射成一個向量，旨在讓更多讀者看完就能通俗地
、

③ Masked Multi-Head Attention ：遮住未來

有同學說了，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，向量化這一步非常基礎，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，真正理解下 Transformer 究竟是何方神聖
。而是實實在在的矩陣乘法結果。FFN 負責提升表達力。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
，但我們肯定還不能丟掉原始信息。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。已經成為當下所有大模型的基礎。同時又不需要多餘的訓練成本
。那一定要認識一下本文的主角 Transformer。

比如模型要開始做這張填空卷了 。從而真正理解它究竟為什麽如此火爆。

也就是說它和上麵的 Shifted Right協同工作 ，其工作嚴格遵循架構圖右側流程
，並再次經過Add & Norm 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。“你”、

一般來講 ，就越關注這個詞。48 個甚至更多的注意力頭 ，

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，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”，模型越大 、問：
“你跟我有多相關？”

打分越高，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，完美詮釋了 Attention is All You Need的革命性思想。

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

首先 ，輸出 "我愛你"。也就是一組數字 ，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。也能堆更多層。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，需要把每個詞轉換成一個向量，

實際可以開12 個 、論文中的例子是並行開 8 個注意力頭。“貓”這些詞 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。再通過殘差連接與LayerNorm保障訓練的穩定性，後麵這個字是啥，共同確保了模型無法“偷看答案”
。

為了理解這個過程，就是下一個要生成的詞。

注意力頭的數量是一個超參（Hyperparameter） ，可能主要關注輸入的 "I"