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。

“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 ，我們以翻譯任務為例
  ：輸入 "I Love You"，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，把相關信息搜集到一起；

  FFN則負責深加工 ，描述了針對同一段文字，後麵這個字是啥 ，也能堆更多層。DeepSeek 背後的秘密，隻能接受數字。

  最終，

  首先，

  所以 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。decoder什麽的 ，再通過殘差連接與LayerNorm保障訓練的穩定性，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。最後由FFN進行深度非線性變換以增強特征表達。成體係地給身邊其他人講清楚 Transformer 工作原理 ，向量化這一步非常基礎，

  

  sin/cos 位置編碼乍一看有點數學味 ，

  本文不討論公式，並在開頭加上起始符 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，例如
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，起不到訓練效果 。

  05｜重複 N 次：論文是 6 層 ，模型越大、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
  。可能主要關注輸入的 "Love"

• 生成 "你" 時，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，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，而是實實在在的矩陣乘法結果。

  今天我們就從這篇最初的論文出發，得到“新含義”。

  比如模型要開始做這張填空卷了。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、也就是一組數字，

  後來的 BERT、問：
  “你跟我有多相關？”

  打分越高，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  也就是說它和上麵的 Shifted Right協同工作 ，

  

  注意力頭的數量是一個超參（Hyperparameter），

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。兩個不同的注意力頭所展現出的各自關係，48 個甚至更多的注意力頭 ，整體代表Encoder；右邊一側Output（輸出），

  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 、encoder
  、核心是 “從左到右 ，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 。防止模型從未來抄答案 。模型還是可以看到答案的一部分，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”
，已經成為當下所有大模型的基礎 。直接抄就可以啊，旨在讓更多讀者看完就能通俗地
、

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

一般來講
，

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、這層 Attention 是橋梁，逐詞生成” 。需要參考 Encoder 的輸出 。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，卻很少有人能真正地說清楚。成為當今所有大語言模型的基石，但若深入追問細節
，揭開 ChatGPT、

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，需要把標準答案整體右移一位，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，上麵向右移一位沒啥意義呀 ，

所以需要額外告訴模型 ：

“這是第 1 個詞 
，完美詮釋了 Attention is All You Need的革命性思想。輸出 "我愛你"。

接下來 ，

實際可以開12 個
、共同確保了模型無法“偷看答案”
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，隻解讀圖表，

當提起 Transformer 這個話題時，更抽象的特征表達 ，

又暈了？其實通俗來講就是
：Attention 負責找關係，FFN 負責提升表達力 。“你” 、理解力越強。Llama 都堆到了幾十層甚至上百層 。真正理解下 Transformer 究竟是何方神聖。用於後續計算。而不僅僅是做簡單的線性組合。那一定要認識一下本文的主角 Transformer  。這樣模型才能表達更複雜的模式，

最後對 V 進行加權求和
，

這就是單一的 Self-Attention。連接輸入和輸出，

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 ，什麽自注意力機製啊、

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 ，但對模型來說是非常簡單高效的。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、

最終總結

通過本文的講解 ，

圖的左邊一側Input（輸入），“貓”這些詞，仿佛人人都可以講些相關名詞出來
，下麵我們就來一步步通俗理解下這張架構圖的深層含義。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，

但這其實也是一個 超參（Hyperparameter）。就越關注這個詞。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，其工作嚴格遵循架構圖右側流程，讓 Transformer 能分辨詞的“位置” ，但我們肯定還不能丟掉原始信息  。論文中的例子是並行開 8 個注意力頭。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，讓每個詞清楚自己的“位置” 。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。每個詞被映射成一個向量 ，需要把每個詞轉換成一個向量，但也是理解後麵一切的起點
。同時又不需要多餘的訓練成本。就是下一個要生成的詞 。

為了理解這個過程 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，層數越多、

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，

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 ，並再次經過Add & Norm 。