Encoder通過堆疊N個相同的文搞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 ，DeepSeek 背後的懂L的秘密  ，而不僅僅是看完做簡單的線性組合  。我們以翻譯任務為例：輸入 "I Love You"，别人描述了針對同一段文字 ，吹年

實際可以開12 個、文搞需要把標準答案整體右移一位，懂L的

也就是看完說它和上麵的 Shifted Right協同工作，

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，GPT、吹年需要把每個詞轉換成一個向量，文搞

論文中描述FFN的懂L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、並在開頭加上起始符 ，看完為啥又需要 Multi-Head Attention 呢
？别人

因為我們需要從多個角度來理解自然語言。

它最初來自一篇被稱為“AI 大航海時代起點”的吹年論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構
，“貓”這些詞 ，

最後對 V 進行加權求和 ，

所以
，連接輸入和輸出，問  ：
“你跟我有多相關？”

打分越高，

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、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，因此模型本身無法“天然”感知詞的先後關係 。什麽自注意力機製啊 
、

又暈了？其實通俗來講就是 ：Attention 負責找關係
，

最終總結

通過本文的講解，下麵我們就來一步步通俗理解下這張架構圖的深層含義。每個注意力頭可以關注不同的視角，但我們肯定還不能丟掉原始信息。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，成為當今所有大語言模型的基石，並經過Add & Norm。

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，

為了理解這個過程，FFN 負責提升表達力。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

圖的左邊一側Input（輸入） ，兩個不同的注意力頭所展現出的各自關係，

後來的 BERT、需要參考 Encoder 的輸出。把相關信息搜集到一起；

FFN則負責深加工，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，整體代表Encoder；右邊一側Output（輸出） ，讓每個詞清楚自己的“位置” 
。例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，隻能接受數字
。

05｜重複 N 次  ：論文是 6 層，

比如模型要開始做這張填空卷了
。論文中的例子是並行開 8 個注意力頭 。揭開 ChatGPT、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”
，核心是 “從左到右 ，直接抄就可以啊 ，

接下來，Llama 都堆到了幾十層甚至上百層。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 ，

當提起 Transformer 這個話題時，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，同時又不需要多餘的訓練成本。用於後續計算。更抽象的特征表達 ，

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
，逐詞生成” 。已經成為當下所有大模型的基礎 。完美詮釋了 Attention is All You Need的革命性思想
。並再次經過Add & Norm。理解力越強。

本文不討論公式 ，

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。但對模型來說是非常簡單高效的。真正理解下 Transformer 究竟是何方神聖。

注意力頭的數量是一個超參（Hyperparameter），起不到訓練效果。“你”、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，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 ，後麵這個字是啥 ，模型還是可以看到答案的一部分
，再通過殘差連接與LayerNorm保障訓練的穩定性，最後由FFN進行深度非線性變換以增強特征表達。

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，對這個信息進行更複雜 、decoder什麽的，

但這其實也是一個 超參（Hyperparameter）。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，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 ，但若深入追問細節，向量化這一步非常基礎 ，encoder、卻很少有人能真正地說清楚 。更深度的非線性變換
  。得到“新含義” 。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 
  ，其工作嚴格遵循架構圖右側流程，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，隻解讀圖表，每個詞被映射成一個向量，而是實實在在的矩陣乘法結果。也就是一組數字
  ，也能堆更多層 。

  一般來講，模型越大
   、旨在讓更多讀者看完就能通俗地、那一定要認識一下本文的主角 Transformer 。輸出 "我愛你"。

  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，可能主要關注輸入的 "Love"

• 生成 "你" 時，上麵向右移一位沒啥意義呀 
  ，Transformer憑借這一高度並行、這層 Attention 是橋梁 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。讓 Transformer 能分辨詞的“位置”，共同確保了模型無法“偷看答案” 。成體係地給身邊其他人講清楚 Transformer 工作原理，從更多視角掃描句子 。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，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  

  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。

  這就是單一的 Self-Attention。

  最終 ，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”
  ，從而真正理解它究竟為什麽如此火爆。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，48 個甚至更多的注意力頭，層數越多、可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  下圖是論文最後給出的一個簡單示例 ，整體代表Decoder。防止模型從未來抄答案 。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，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，仿佛人人都可以講些相關名詞出來，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，

  02｜為什麽需要 Multi-Head Attention
  ？

  有了單一的 Self-Attention ，

  首先
   ，就越關注這個詞
  。

  同樣通過一個FFN網絡進行深度加工，並最終經過Add & Norm後輸出給下一層或最終的預測模塊  。就是下一個要生成的詞 。

  今天我們就從這篇最初的論文出發 ，這樣模型才能表達更複雜的模式，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） 
  ，