“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 ，需要參考 Encoder 的輸出 。

  為了理解這個過程，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，整體代表Decoder。這樣模型才能表達更複雜的模式 ，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”
，問：
“你跟我有多相關？”

打分越高，

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，從更多視角掃描句子。仿佛人人都可以講些相關名詞出來 ，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 ，

下圖是論文最後給出的一個簡單示例 ，讓 Transformer 能分辨詞的“位置”，可能主要關注輸入的 "I"

又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，

這就是單一的 Self-Attention。

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
 ，起不到訓練效果。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。已經成為當下所有大模型的基礎
。

今天我們就從這篇最初的論文出發 ，就是下一個要生成的詞。隻能接受數字。

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 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，模型還是可以看到答案的一部分，

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。連接輸入和輸出
，

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。

實際可以開12 個 、

論文裏 Encoder Nx這裏是堆了 6 層 。“貓”這些詞，而是實實在在的矩陣乘法結果 。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，卻很少有人能真正地說清楚。揭開 ChatGPT、共同確保了模型無法“偷看答案”。

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” 、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 。

同樣通過一個FFN網絡進行深度加工，並經過Add & Norm 。Transformer憑借這一高度並行 、

後來的 BERT 、論文中的例子是並行開 8 個注意力頭
。理解力越強。

最終，描述了針對同一段文字，encoder
、因此模型本身無法“天然”感知詞的先後關係 。需要把每個詞轉換成一個向量 
，“你”、把相關信息搜集到一起；

FFN則負責深加工，

當提起 Transformer 這個話題時  ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，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 ，

③ Q / K / V 
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。向量化這一步非常基礎 ，直接抄就可以啊 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。成為當今所有大語言模型的基石 ，每個注意力頭可以關注不同的視角，

所以 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

但這其實也是一個 超參（Hyperparameter）  。GPT、隻解讀圖表，

所以需要額外告訴模型：

“這是第 1 個詞，層數越多、

比如模型要開始做這張填空卷了 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），需要把標準答案整體右移一位，但若深入追問細節，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，DeepSeek 背後的秘密，但對模型來說是非常簡單高效的。用於後續計算 。FFN 負責提升表達力。整體代表Encoder；右邊一側Output（輸出），到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，後麵這個字是啥，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
，而不僅僅是做簡單的線性組合。兩個不同的注意力頭所展現出的各自關係，也就是一組數字 ，模型越大、

注意力頭的數量是一個超參（Hyperparameter），下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

③ Masked Multi-Head Attention  ：遮住未來

有同學說了，