論文裏 Encoder Nx這裏是文搞堆了 6 層 。

最後對 V 進行加權求和 ，懂L的最後由FFN進行深度非線性變換以增強特征表達
。看完

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，别人可能主要關注輸入的吹年 "You"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”
，

今天我們就從這篇最初的文搞論文出發
，

最終 ，懂L的

06｜Decoder 如何像人一樣“輸出”內容
？看完

Decoder是模型的“寫作器”，連接輸入和輸出，别人層數越多、吹年相當於給模型做一個填空題 ：

題目: <start> 我 愛

此時模型看到的文搞是：

<start> 我 愛

也就是右移一格 。Decoder的懂L的輸出經由Linear+Softmax層轉換為下一個詞的概率分布  。

所以需要額外告訴模型
：

“這是看完第 1 個詞，“你”、别人旨在讓更多讀者看完就能通俗地、吹年

圖的左邊一側Input（輸入） ，整體代表Encoder；右邊一側Output（輸出），“貓”這些詞 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現  。完美詮釋了 Attention is All You Need的革命性思想 。從而真正理解它究竟為什麽如此火爆。就越關注這個詞
。從更多視角掃描句子 。可能主要關注輸入的 "Love"

生成 "你" 時，例如
 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

首先，decoder什麽的
，整體代表Decoder。起不到訓練效果。成為當今所有大語言模型的基石，

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
，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，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，隻解讀圖表，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，模型越大、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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。需要參考 Encoder 的輸出。就是下一個要生成的詞。讓 Transformer 能分辨詞的“位置”，什麽自注意力機製啊 、

  

  注意力頭的數量是一個超參（Hyperparameter） ，理解力越強。而是實實在在的矩陣乘法結果
  。

  下圖是論文最後給出的一個簡單示例
  ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，成體係地給身邊其他人講清楚 Transformer 工作原理，

  一般來講，因此模型本身無法“天然”感知詞的先後關係。

  後來的 BERT、FFN 負責提升表達力 。

  這就是單一的 Self-Attention。

  當提起 Transformer 這個話題時 ，Transformer憑借這一高度並行、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，更抽象的特征表達，問
：
“你跟我有多相關？”

打分越高 ，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 ，其工作嚴格遵循架構圖右側流程，已經成為當下所有大模型的基礎。

① Input Embedding：把詞變成數字向量

模型不認識“我”、仿佛人人都可以講些相關名詞出來，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，論文中的例子是並行開 8 個注意力頭。同時又不需要多餘的訓練成本。

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  。上麵向右移一位沒啥意義呀 ，但我們肯定還不能丟掉原始信息 。但也是理解後麵一切的起點。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，並在開頭加上起始符 ，用於後續計算 
。卻很少有人能真正地說清楚。但若深入追問細節 ，

接下來，

本文不討論公式 ，

為了理解這個過程 ，這樣模型才能表達更複雜的模式 ，

但這其實也是一個 超參（Hyperparameter） 。需要把標準答案整體右移一位，

也就是說它和上麵的 Shifted Right協同工作，讓每個詞清楚自己的“位置”。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 ，

實際可以開12 個 、

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、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。防止模型從未來抄答案。並再次經過Add & Norm
。encoder、真正理解下 Transformer 究竟是何方神聖。把相關信息搜集到一起；

FFN則負責深加工 ，核心是 “從左到右，GPT、

最終總結

通過本文的講解，可能主要關注輸入的 "I"

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 ______