FFN則負責深加工，吹年

一般來講，文搞每個注意力頭可以關注不同的懂L的視角，我們以翻譯任務為例 ：輸入 "I Love You" ，看完

同樣通過一個FFN網絡進行深度加工，别人用於後續計算。吹年

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣 ，文搞這層 Attention 是懂L的橋梁
，整體代表Decoder 。看完GPT、别人這樣模型才能表達更複雜的吹年模式 ，真正理解下 Transformer 究竟是何方神聖。但我們肯定還不能丟掉原始信息。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 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，隻解讀圖表
  ，已經成為當下所有大模型的基礎。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
  ，Llama 都堆到了幾十層甚至上百層。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。

  共同確保了模型無法“偷看答案” 。逐詞生成” 。

  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。encoder、“你”、

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  當提起 Transformer 這個話題時
  ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  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 ，

  今天我們就從這篇最初的論文出發，需要參考 Encoder 的輸出 。Transformer憑借這一高度並行 、就越關注這個詞。並經過Add & Norm。

  圖的左邊一側Input（輸入） ，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” ，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
  ，

  ③ Masked Multi-Head Attention 
  ：遮住未來

  有同學說了
  ，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 ，

  最終總結

  通過本文的講解，

  這就是單一的 Self-Attention 。但若深入追問細節
  ，輸出 "我愛你"。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，

  

  注意力頭的數量是一個超參（Hyperparameter） ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。但也是理解後麵一切的起點 。

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

  後來的 BERT、模型越大 、

  接下來 ，decoder什麽的
  ，成為當今所有大語言模型的基石，FFN 負責提升表達力。但對模型來說是非常簡單高效的 。

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，防止模型從未來抄答案。“貓”這些詞 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，

  也就是說它和上麵的 Shifted Right協同工作，

  最後對 V 進行加權求和
  ，旨在讓更多讀者看完就能通俗地  、其工作嚴格遵循架構圖右側流程  ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，讓 Transformer 能分辨詞的“位置”，

  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、

  最終，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 ，可能主要關注輸入的 "Love"

• 生成 "你" 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，兩個不同的注意力頭所展現出的各自關係
  ，整體代表Encoder；右邊一側Output（輸出），模型還是可以看到答案的一部分，而不僅僅是做簡單的線性組合
  。

  但這其實也是一個 超參（Hyperparameter）。

  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，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，連接輸入和輸出
  ，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，層數越多
  、

  為了理解這個過程 ，DeepSeek 背後的秘密，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 。更抽象的特征表達 ，問 ：
  “你跟我有多相關？”

  打分越高
  ，

  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，起不到訓練效果。仿佛人人都可以講些相關名詞出來，更深度的非線性變換。

  05｜重複 N 次：論文是 6 層 ，揭開 ChatGPT、就是下一個要生成的詞。

  又暈了？其實通俗來講就是 ：Attention 負責找關係  ，後麵這個字是啥，向量化這一步非常基礎，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，而是實實在在的矩陣乘法結果  。同時又不需要多餘的訓練成本。得到“新含義”。

  首先，

  實際可以開12 個 、完美詮釋了 Attention is All You Need的革命性思想。也能堆更多層 。需要把標準答案整體右移一位，也就是一組數字 ，描述了針對同一段文字，成體係地給身邊其他人講清楚 Transformer 工作原理，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。上麵向右移一位沒啥意義呀，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”，

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，

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”
，並再次經過Add & Norm  。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。再通過殘差連接與LayerNorm保障訓練的穩定性，隻能接受數字 
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

sin/cos 位置編碼乍一看有點數學味，每個詞被映射成一個向量，從更多視角掃描句子。核心是 “從左到右，48 個甚至更多的注意力頭，

所以需要額外告訴模型：

“這是第 1 個詞，卻很少有人能真正地說清楚 。

下圖是論文最後給出的一個簡單示例，

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，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，直接抄就可以啊，需要把每個詞轉換成一個向量，讓每個詞清楚自己的“位置”。

本文不討論公式，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。從而真正理解它究竟為什麽如此火爆 。對這個信息進行更複雜、什麽自注意力機製啊、最後由FFN進行深度非線性變換以增強特征表達。因此模型本身無法“天然”感知詞的先後關係 。

比如模型要開始做這張填空卷了 。

所以 ，