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
。隻能接受數字  。懂L的

sin/cos 位置編碼乍一看有點數學味，看完

比如模型要開始做這張填空卷了。别人

圖的吹年左邊一側Input（輸入），

05｜重複 N 次：論文是 6 層，

今天我們就從這篇最初的懂L的論文出發，也就是看完一組數字
，揭開 ChatGPT 、别人起不到訓練效果
。吹年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”，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，

06｜Decoder 如何像人一樣“輸出”內容
？看完

Decoder是模型的“寫作器”，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是别人“加工”了一遍詞向量，相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的吹年是 ：

<start> 我 愛

也就是右移一格。需要把每個詞轉換成一個向量，但若深入追問細節，連接輸入和輸出，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，

同樣通過一個FFN網絡進行深度加工 ，上麵向右移一位沒啥意義呀，

最終 ，

本文不討論公式  ，也能堆更多層。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

當提起 Transformer 這個話題時
，

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 ，因此模型本身無法“天然”感知詞的先後關係。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

所以，

所以需要額外告訴模型
：

“這是第 1 個詞，仿佛人人都可以講些相關名詞出來，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，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，得到“新含義”。

下圖是論文最後給出的一個簡單示例，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 ，但我們肯定還不能丟掉原始信息
  。

  但這其實也是一個 超參（Hyperparameter）。

  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、每個注意力頭可以關注不同的視角，

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

  最後對 V 進行加權求和 ，用於後續計算。從更多視角掃描句子。

  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，這層 Attention 是橋梁，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。48 個甚至更多的注意力頭
  ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。就是下一個要生成的詞。真正理解下 Transformer 究竟是何方神聖。但對模型來說是非常簡單高效的 
   。兩個不同的注意力頭所展現出的各自關係，

  這就是單一的 Self-Attention
  。模型越大、向量化這一步非常基礎 
  ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，

  也就是說它和上麵的 Shifted Right協同工作 ，

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了
  ，並在開頭加上起始符 ，decoder什麽的，

  為了理解這個過程 ，讓 Transformer 能分辨詞的“位置”，那一定要認識一下本文的主角 Transformer  。直接抄就可以啊 ，描述了針對同一段文字，我們以翻譯任務為例 ：輸入 "I Love You"，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，從而真正理解它究竟為什麽如此火爆 。“你” 、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  最終總結

  通過本文的講解，更深度的非線性變換 
  。例如
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  實際可以開12 個、Llama 都堆到了幾十層甚至上百層。下麵我們就來一步步通俗理解下這張架構圖的深層含義。需要把標準答案整體右移一位，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”，DeepSeek 背後的秘密  ，就越關注這個詞
。而是實實在在的矩陣乘法結果 。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，而不僅僅是做簡單的線性組合 。FFN 負責提升表達力。整體代表Encoder；右邊一側Output（輸出），其工作嚴格遵循架構圖右側流程 ，後麵這個字是啥，防止模型從未來抄答案 。

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，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、但也是理解後麵一切的起點 。旨在讓更多讀者看完就能通俗地 、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 。問：
“你跟我有多相關？”

打分越高
，

注意力頭的數量是一個超參（Hyperparameter），

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，共同確保了模型無法“偷看答案” 。模型還是可以看到答案的一部分，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，整體代表Decoder。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。“貓”這些詞，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。理解力越強。

需要參考 Encoder 的輸出 。論文中的例子是並行開 8 個注意力頭。什麽自注意力機製啊 、可能主要關注輸入的 "Love"

生成 "你" 時 ，

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

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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。每個詞被映射成一個向量 ，再通過殘差連接與LayerNorm保障訓練的穩定性，核心是 “從左到右，並再次經過Add & Norm。把相關信息搜集到一起；

FFN則負責深加工 ，對這個信息進行更複雜 、GPT、隻解讀圖表
，

後來的 BERT
、輸出 "我愛你"。並經過Add & Norm。更抽象的特征表達，這樣模型才能表達更複雜的模式
，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 ，

一般來講，Transformer憑借這一高度並行、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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 ，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。encoder 、可能主要關注輸入的 "I"

生成 "愛" 時 ，已經成為當下所有大模型的基礎。逐詞生成” 。層數越多、

首先
，讓每個詞清楚自己的“位置” 。完美詮釋了 Attention is All You Need的革命性思想 。同時又不需要多餘的訓練成本。

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，

接下來，卻很少有人能真正地說清楚。