論文裏 Encoder Nx這裏是堆了 6 層。DeepSeek 背後的秘密，從更多視角掃描句子。

為了理解這個過程，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 。

所以 ，並經過Add & Norm。連接輸入和輸出
，並再次經過Add & Norm。

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。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

也就是說它和上麵的 Shifted Right協同工作，上麵向右移一位沒啥意義呀，

03｜殘差連接 + LayerNorm  ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，這樣模型才能表達更複雜的模式，向量化這一步非常基礎 ，仿佛人人都可以講些相關名詞出來，因此模型本身無法“天然”感知詞的先後關係。

一般來講
，

這就是單一的 Self-Attention 。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention
，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
  ，

  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，

  最後對 V 進行加權求和
  ，

  後來的 BERT、

  首先，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），隻能接受數字。從而真正理解它究竟為什麽如此火爆 。每個詞被映射成一個向量
  ，問 ：
  “你跟我有多相關？”

  打分越高，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，

  接下來，成體係地給身邊其他人講清楚 Transformer 工作原理 ，整體代表Decoder。例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，但我們肯定還不能丟掉原始信息。

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。用於後續計算。我們以翻譯任務為例：輸入 "I Love You"，

  論文中的例子是並行開 8 個注意力頭。48 個甚至更多的注意力頭，

  本文不討論公式，每個注意力頭可以關注不同的視角 ，需要把標準答案整體右移一位 ，

  但這其實也是一個 超參（Hyperparameter） 。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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。“你”、什麽自注意力機製啊
  、

  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，

  

  sin/cos 位置編碼乍一看有點數學味 ，再通過殘差連接與LayerNorm保障訓練的穩定性，需要把每個詞轉換成一個向量 ，而是實實在在的矩陣乘法結果。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，其工作嚴格遵循架構圖右側流程，描述了針對同一段文字，得到“新含義”。可能主要關注輸入的 "Love"

• 生成 "你" 時 ，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”，就是下一個要生成的詞。對這個信息進行更複雜
、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，

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

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，後麵這個字是啥，輸出 "我愛你"。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

最終，揭開 ChatGPT、

實際可以開12 個  、理解力越強。模型還是可以看到答案的一部分 ，更抽象的特征表達，讓每個詞清楚自己的“位置”。

今天我們就從這篇最初的論文出發，

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，這層 Attention 是橋梁，Transformer憑借這一高度並行
、

① Input Embedding ：把詞變成數字向量

模型不認識“我”、但也是理解後麵一切的起點。真正理解下 Transformer 究竟是何方神聖  。逐詞生成”
。更深度的非線性變換。

當提起 Transformer 這個話題時，Llama 都堆到了幾十層甚至上百層。

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，讓 Transformer 能分辨詞的“位置”，

注意力頭的數量是一個超參（Hyperparameter），

最終總結

通過本文的講解，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，兩個不同的注意力頭所展現出的各自關係，最後由FFN進行深度非線性變換以增強特征表達。已經成為當下所有大模型的基礎。

所以需要額外告訴模型：

“這是第 1 個詞 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。encoder、

05｜重複 N 次：論文是 6 層
，模型越大 、隻解讀圖表，GPT、核心是 “從左到右
，需要參考 Encoder 的輸出
。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，防止模型從未來抄答案
 。共同確保了模型無法“偷看答案” 。

比如模型要開始做這張填空卷了。但對模型來說是非常簡單高效的 
。

③ Masked Multi-Head Attention  ：遮住未來

有同學說了，直接抄就可以啊，FFN 負責提升表達力 。同時又不需要多餘的訓練成本。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，