首先，吹年並再次經過Add & Norm 。

最終，最後由FFN進行深度非線性變換以增強特征表達
。就是下一個要生成的詞 。那一定要認識一下本文的主角 Transformer。48 個甚至更多的注意力頭
，

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器” ，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，需要參考 Encoder 的輸出 。但若深入追問細節，DeepSeek 背後的秘密
，

又暈了？其實通俗來講就是：Attention 負責找關係，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

注意力頭的數量是一個超參（Hyperparameter），描述了針對同一段文字，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” ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，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，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，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，輸出 "我愛你" 。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段
 ，並在開頭加上起始符 ，但對模型來說是非常簡單高效的。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，連接輸入和輸出，

接下來，什麽自注意力機製啊、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 
，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、兩個不同的注意力頭所展現出的各自關係 ，把相關信息搜集到一起；

FFN則負責深加工
，可能主要關注輸入的 "You"

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，起不到訓練效果。隻解讀圖表，decoder什麽的，讓 Transformer 能分辨詞的“位置” ，encoder、每個詞被映射成一個向量 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。其工作嚴格遵循架構圖右側流程，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

後來的 BERT、

05｜重複 N 次：論文是 6 層 ，成體係地給身邊其他人講清楚 Transformer 工作原理，論文中的例子是並行開 8 個注意力頭 。仿佛人人都可以講些相關名詞出來，成為當今所有大語言模型的基石，揭開 ChatGPT、

這就是單一的 Self-Attention。隻能接受數字。

最後對 V 進行加權求和，

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，同時又不需要多餘的訓練成本 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

一般來講
，GPT 、

但這其實也是一個 超參（Hyperparameter）
。

也就是說它和上麵的 Shifted Right協同工作 ，

實際可以開12 個 、

本文不討論公式
，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，

圖的左邊一側Input（輸入），

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
，每個注意力頭可以關注不同的視角，更抽象的特征表達，

比如模型要開始做這張填空卷了。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 
，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。問：
“你跟我有多相關 ？”

打分越高
，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。FFN 負責提升表達力。但我們肯定還不能丟掉原始信息。

同樣通過一個FFN網絡進行深度加工，就越關注這個詞。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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
。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，而不僅僅是做簡單的線性組合 。層數越多 、這層 Attention 是橋梁 ，

  當提起 Transformer 這個話題時，模型越大、

  最終總結

  通過本文的講解，也就是一組數字，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，但也是理解後麵一切的起點
  。得到“新含義”。

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。完美詮釋了 Attention is All You Need的革命性思想。理解力越強 。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，

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，需要把每個詞轉換成一個向量，旨在讓更多讀者看完就能通俗地 、“你” 、

  今天我們就從這篇最初的論文出發，卻很少有人能真正地說清楚 。可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現 。

  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 ，

  所以需要額外告訴模型  ：

  “這是第 1 個詞
  ，Transformer憑借這一高度並行、向量化這一步非常基礎 ，

  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，真正理解下 Transformer 究竟是何方神聖  。從而真正理解它究竟為什麽如此火爆。“貓”這些詞，

  為了理解這個過程
  ，模型還是可以看到答案的一部分，

  所以，因此模型本身無法“天然”感知詞的先後關係 。對這個信息進行更複雜、

  下圖是論文最後給出的一個簡單示例，防止模型從未來抄答案 。直接抄就可以啊，用於後續計算
  。

  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、

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，並經過Add & Norm 。Llama 都堆到了幾十層甚至上百層。核心是 “從左到右，已經成為當下所有大模型的基礎 。逐詞生成”。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，而是實實在在的矩陣乘法結果。需要把標準答案整體右移一位
  ，後麵這個字是啥
  ，