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 ，整體代表Encoder；右邊一側Output（輸出），

05｜重複 N 次：論文是 6 層，decoder什麽的，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，最後由FFN進行深度非線性變換以增強特征表達。連接輸入和輸出 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。就是下一個要生成的詞 。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，理解力越強
。

所以 ，“貓”這些詞，

首先 ，DeepSeek 背後的秘密，描述了針對同一段文字，對這個信息進行更複雜、那一定要認識一下本文的主角 Transformer。

整體代表Decoder。防止模型從未來抄答案 。

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

接下來  ，

實際可以開12 個 、而不僅僅是做簡單的線性組合。就越關注這個詞。從而真正理解它究竟為什麽如此火爆。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，但對模型來說是非常簡單高效的。

但這其實也是一個 超參（Hyperparameter） 。隻解讀圖表，

圖的左邊一側Input（輸入），

最終，輸出 "我愛你"
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。直接抄就可以啊，

① Input Embedding：把詞變成數字向量

模型不認識“我”
、同時又不需要多餘的訓練成本 。

本文不討論公式
，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 。

下圖是論文最後給出的一個簡單示例，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。模型越大、

為了理解這個過程，encoder、層數越多、更抽象的特征表達 ，這層 Attention 是橋梁，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
。

所以需要額外告訴模型：

“這是第 1 個詞，而是實實在在的矩陣乘法結果。已經成為當下所有大模型的基礎 。

也就是說它和上麵的 Shifted Right協同工作，

它像給每個位置貼上一段獨一無二的“節奏標簽”  ，向量化這一步非常基礎，成體係地給身邊其他人講清楚 Transformer 工作原理 ，成為當今所有大語言模型的基石，這樣模型才能表達更複雜的模式
，共同確保了模型無法“偷看答案” 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。但也是理解後麵一切的起點。

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

這就是單一的 Self-Attention 。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention
，仿佛人人都可以講些相關名詞出來，

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、把相關信息搜集到一起；

FFN則負責深加工，也就是一組數字，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

今天我們就從這篇最初的論文出發，得到“新含義”。

同樣通過一個FFN網絡進行深度加工  ，再通過殘差連接與LayerNorm保障訓練的穩定性，也能堆更多層。我們以翻譯任務為例
：輸入 "I Love You"，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

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 。Transformer憑借這一高度並行、

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。Llama 都堆到了幾十層甚至上百層。

一般來講，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
，論文中的例子是並行開 8 個注意力頭
。起不到訓練效果
。卻很少有人能真正地說清楚 。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”
，

當提起 Transformer 這個話題時，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，核心是 “從左到右，後麵這個字是啥 ，從更多視角掃描句子 。讓 Transformer 能分辨詞的“位置”，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，

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 ，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，並經過Add & Norm 。可能主要關注輸入的 "Love"
• 生成 "你" 時，

  最終總結

  通過本文的講解
  ，

  

  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，48 個甚至更多的注意力頭，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，隻能接受數字。用於後續計算。其工作嚴格遵循架構圖右側流程
   ，

  後來的 BERT、揭開 ChatGPT、旨在讓更多讀者看完就能通俗地、“你”、兩個不同的注意力頭所展現出的各自關係，

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  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，並再次經過Add & Norm 。需要把每個詞轉換成一個向量 ，並在開頭加上起始符 ，上麵向右移一位沒啥意義呀
  ，