為了理解這個過程，懂L的

這就是看完單一的 Self-Attention。例如 ：

我 → [0.12,别人 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，同時又不需要多餘的吹年訓練成本
 。“貓”這些詞 ，文搞

06｜Decoder 如何像人一樣“輸出”內容 ？懂L的

Decoder是模型的“寫作器”
，描述了針對同一段文字
，看完真正理解下 Transformer 究竟是别人何方神聖
。這樣模型才能表達更複雜的吹年模式，用於後續計算 。文搞並經過Add & Norm 。懂L的

05｜重複 N 次：論文是 6 層，

又暈了 ？别人其實通俗來講就是：Attention 負責找關係，可能主要關注輸入的吹年 "I"

生成 "愛" 時 ，並再次經過Add & Norm
 。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，

比如模型要開始做這張填空卷了。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，

實際可以開12 個 、

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段，兩個不同的注意力頭所展現出的各自關係  ，逐詞生成” 。並在開頭加上起始符 ，共同確保了模型無法“偷看答案” 。而是實實在在的矩陣乘法結果 
。成體係地給身邊其他人講清楚 Transformer 工作原理
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，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，起不到訓練效果 。成為當今所有大語言模型的基石
，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。

當提起 Transformer 這個話題時 ，問  ：
“你跟我有多相關？”

打分越高，再通過殘差連接與LayerNorm保障訓練的穩定性
，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 ，理解力越強。

今天我們就從這篇最初的論文出發 ，最後由FFN進行深度非線性變換以增強特征表達 。我們以翻譯任務為例 ：輸入 "I Love You" ，

sin/cos 位置編碼乍一看有點數學味 ，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，對這個信息進行更複雜 、卻很少有人能真正地說清楚。

  最後對 V 進行加權求和 ，

  最終，論文中的例子是並行開 8 個注意力頭。模型越大
  、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。上麵向右移一位沒啥意義呀，旨在讓更多讀者看完就能通俗地、但對模型來說是非常簡單高效的。GPT、得到“新含義” 。48 個甚至更多的注意力頭 ，

  接下來，“你”、encoder、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  最終總結

  通過本文的講解 ，模型還是可以看到答案的一部分
  ，但若深入追問細節，那一定要認識一下本文的主角 Transformer 
  。輸出 "我愛你"。可能主要關注輸入的 "Love"

• 生成 "你" 時，更深度的非線性變換。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  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。需要參考 Encoder 的輸出。

  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 、

  

  注意力頭的數量是一個超參（Hyperparameter） ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。而不僅僅是做簡單的線性組合。

  本文不討論公式
  ，

  同樣通過一個FFN網絡進行深度加工，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  首先，仿佛人人都可以講些相關名詞出來，

  一般來講 ，

  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 ，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 。

  02｜為什麽需要 Multi-Head Attention
  ？

  有了單一的 Self-Attention，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  ③ Masked Multi-Head Attention  ：遮住未來

  有同學說了，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現
  。FFN 負責提升表達力  。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”，就越關注這個詞。其工作嚴格遵循架構圖右側流程，隻解讀圖表 ，隻能接受數字。防止模型從未來抄答案。但也是理解後麵一切的起點。

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，這層 Attention 是橋梁，也能堆更多層。

① Input Embedding
：把詞變成數字向量

模型不認識“我”、

所以，

後來的 BERT 、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。整體代表Encoder；右邊一側Output（輸出），讓每個詞清楚自己的“位置”。

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 ，核心是 “從左到右，

也就是說它和上麵的 Shifted Right協同工作 ，也就是一組數字，需要把每個詞轉換成一個向量，把相關信息搜集到一起；

FFN則負責深加工，讓 Transformer 能分辨詞的“位置” ，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 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

所以需要額外告訴模型 ：

“這是第 1 個詞，因此模型本身無法“天然”感知詞的先後關係。

下圖是論文最後給出的一個簡單示例 ，

圖的左邊一側Input（輸入），層數越多、從而真正理解它究竟為什麽如此火爆。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，從更多視角掃描句子。每個詞被映射成一個向量，

它像給每個位置貼上一段獨一無二的“節奏標簽”，就是下一個要生成的詞。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，Llama 都堆到了幾十層甚至上百層 。完美詮釋了 Attention is All You Need的革命性思想 。後麵這個字是啥，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，更抽象的特征表達 ，已經成為當下所有大模型的基礎。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，揭開 ChatGPT、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，連接輸入和輸出 ，需要把標準答案整體右移一位 ，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”，什麽自注意力機製啊、向量化這一步非常基礎
，直接抄就可以啊，Transformer憑借這一高度並行  、

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 ，

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

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，DeepSeek 背後的秘密，

但這其實也是一個 超參（Hyperparameter）。