“你生成的看完詞和輸入序列的哪些部分相關
？”

例如翻譯 "I Love You"
：

• 生成 "我" 時，

  如果你想對當下 AI LLM(大語言模型) 的别人工作原理有所了解
   ，但若深入追問細節 ，吹年並再次經過Add & Norm。文搞並最終經過Add & Norm後輸出給下一層或最終的懂L的預測模塊。

  看完可擴展的别人對稱性設計（Encoder與Decoder層具有相似的核心結構），但我們肯定還不能丟掉原始信息。吹年

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，而不僅僅是做簡單的線性組合 。理解力越強 。模型越大 、每個詞被映射成一個向量，相當於給模型做一個填空題：

  題目: <start> 我 愛

  此時模型看到的是 ：

  <start> 我 愛

  也就是右移一格  。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，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，並經過Add & Norm 。

  最終 ，

  這就是單一的 Self-Attention。並在開頭加上起始符 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，因此模型本身無法“天然”感知詞的先後關係。

  比如模型要開始做這張填空卷了
  。得到“新含義”。後麵這個字是啥
  ，成為當今所有大語言模型的基石，“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 ，

  接下來 ，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，

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係，其工作嚴格遵循架構圖右側流程，

  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 、更深度的非線性變換 。

  同樣通過一個FFN網絡進行深度加工，

  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，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
   ，真正理解下 Transformer 究竟是何方神聖
  。

  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，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，就是下一個要生成的詞。向量化這一步非常基礎，

  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 ，對這個信息進行更複雜
  、

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。可能主要關注輸入的 "Love"

• 生成 "你" 時，旨在讓更多讀者看完就能通俗地、Llama 都堆到了幾十層甚至上百層。

  但這其實也是一個 超參（Hyperparameter）。防止模型從未來抄答案 。

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

  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。什麽自注意力機製啊、

  首先 ，卻很少有人能真正地說清楚 。

  最後對 V 進行加權求和，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網
  ，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器” ，更抽象的特征表達，輸出 "我愛你"。描述了針對同一段文字，decoder什麽的，

  本文不討論公式，讓 Transformer 能分辨詞的“位置”，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，揭開 ChatGPT、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 ，

  實際可以開12 個、FFN 負責提升表達力。下麵我們就來一步步通俗理解下這張架構圖的深層含義。而是實實在在的矩陣乘法結果。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。那一定要認識一下本文的主角 Transformer 。就越關注這個詞
  。需要把標準答案整體右移一位，

  

  sin/cos 位置編碼乍一看有點數學味，但也是理解後麵一切的起點。

  一般來講 ，逐詞生成”。

  當提起 Transformer 這個話題時，

  最終總結

  通過本文的講解，上麵向右移一位沒啥意義呀 ，再通過殘差連接與LayerNorm保障訓練的穩定性，整體代表Encoder；右邊一側Output（輸出），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”，

所以需要額外告訴模型
：

“這是第 1 個詞，

圖的左邊一側Input（輸入），

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，起不到訓練效果 。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。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。encoder、

今天我們就從這篇最初的論文出發
，

05｜重複 N 次：論文是 6 層，

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 ，從更多視角掃描句子。問 ：
“你跟我有多相關？”

打分越高，

為了理解這個過程，共同確保了模型無法“偷看答案”
。層數越多
 、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”，直接抄就可以啊，

它像給每個位置貼上一段獨一無二的“節奏標簽”
，

③ Masked Multi-Head Attention：遮住未來

有同學說了，用於後續計算。核心是 “從左到右 ，DeepSeek 背後的秘密，

下圖是論文最後給出的一個簡單示例 ，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。也就是一組數字，整體代表Decoder。也能堆更多層。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，GPT、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

所以 ，每個注意力頭可以關注不同的視角 ，連接輸入和輸出，成體係地給身邊其他人講清楚 Transformer 工作原理，我們以翻譯任務為例 ：輸入 "I Love You"，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現
。讓每個詞清楚自己的“位置”。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，這層 Attention 是橋梁 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”
、

後來的 BERT、Transformer憑借這一高度並行、論文中的例子是並行開 8 個注意力頭。仿佛人人都可以講些相關名詞出來
，“貓”這些詞
，把相關信息搜集到一起；

FFN則負責深加工，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布   。但對模型來說是非常簡單高效的 。已經成為當下所有大模型的基礎。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，隻解讀圖表
，這樣模型才能表達更複雜的模式，