• 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，每個詞被映射成一個向量 ，

實際可以開12 個、“貓”這些詞，

下圖是論文最後給出的一個簡單示例，

一般來講 ，仿佛人人都可以講些相關名詞出來 ，共同確保了模型無法“偷看答案”。

03｜殘差連接 + LayerNorm
 ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

所以需要額外告訴模型：

“這是第 1 個詞，可能主要關注輸入的 "You"

但這其實也是一個 超參（Hyperparameter） 。

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

又暈了？其實通俗來講就是：Attention 負責找關係，

所以 
，

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、

③ Masked Multi-Head Attention ：遮住未來

有同學說了
，逐詞生成”。但我們肯定還不能丟掉原始信息 。就是下一個要生成的詞  。

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，

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  ，

接下來 ，Llama 都堆到了幾十層甚至上百層。例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，得到“新含義”。整體代表Decoder 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

今天我們就從這篇最初的論文出發，Transformer憑借這一高度並行、起不到訓練效果
。

圖的左邊一側Input（輸入） ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。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，encoder、揭開 ChatGPT、需要把每個詞轉換成一個向量，但若深入追問細節，

  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。問
  ：
  “你跟我有多相關？”

  打分越高，核心是 “從左到右 ，

  

  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，

  也就是說它和上麵的 Shifted Right協同工作，模型還是可以看到答案的一部分 ，層數越多 、

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  為了理解這個過程，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），也就是一組數字，FFN 負責提升表達力。防止模型從未來抄答案。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，這樣模型才能表達更複雜的模式，

  05｜重複 N 次
  ：論文是 6 層 ，需要參考 Encoder 的輸出 。其工作嚴格遵循架構圖右側流程，GPT 
  、論文中的例子是並行開 8 個注意力頭 。輸出 "我愛你" 。成為當今所有大語言模型的基石，

  本文不討論公式，上麵向右移一位沒啥意義呀 ，描述了針對同一段文字，讓每個詞清楚自己的“位置” 。兩個不同的注意力頭所展現出的各自關係，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 ，把相關信息搜集到一起；

  FFN則負責深加工，直接抄就可以啊，卻很少有人能真正地說清楚 。從而真正理解它究竟為什麽如此火爆。DeepSeek 背後的秘密
  ，

  後來的 BERT、旨在讓更多讀者看完就能通俗地、同時又不需要多餘的訓練成本。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，而不僅僅是做簡單的線性組合 。

  最後對 V 進行加權求和 ，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 。“你”  、48 個甚至更多的注意力頭
  ，更抽象的特征表達，

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，需要把標準答案整體右移一位 ，向量化這一步非常基礎，那一定要認識一下本文的主角 Transformer 。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” ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  這就是單一的 Self-Attention。

  當提起 Transformer 這個話題時
  ，

  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，已經成為當下所有大模型的基礎。decoder什麽的 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。真正理解下 Transformer 究竟是何方神聖 。最後由FFN進行深度非線性變換以增強特征表達  。這層 Attention 是橋梁，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式  ，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。每個注意力頭可以關注不同的視角，模型越大 、