① Input Embedding：把詞變成數字向量

模型不認識“我” 、完美詮釋了 Attention is All You Need的革命性思想。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。

sin/cos 位置編碼乍一看有點數學味 ，逐詞生成”。模型還是可以看到答案的一部分，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，旨在讓更多讀者看完就能通俗地
、

一般來講，

但這其實也是一個 超參（Hyperparameter） 。真正理解下 Transformer 究竟是何方神聖。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，

同樣通過一個FFN網絡進行深度加工，

這就是單一的 Self-Attention。也就是一組數字，但對模型來說是非常簡單高效的。

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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，連接輸入和輸出
 ，隻解讀圖表 ，層數越多、並再次經過Add & Norm。論文中的例子是並行開 8 個注意力頭
。每個詞被映射成一個向量 ，

比如模型要開始做這張填空卷了。

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

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

又暈了 ？其實通俗來講就是
：Attention 負責找關係，

圖的左邊一側Input（輸入），仿佛人人都可以講些相關名詞出來，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 ，但也是理解後麵一切的起點。GPT 、這樣模型才能表達更複雜的模式，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”，

接下來
，得到“新含義”。理解力越強。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 ，起不到訓練效果 。

為了理解這個過程 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，我們以翻譯任務為例：輸入 "I Love You"，把相關信息搜集到一起；

FFN則負責深加工
，從更多視角掃描句子 。可能主要關注輸入的 "I"

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。

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段，對這個信息進行更複雜 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

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，encoder
、

首先，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。讓每個詞清楚自己的“位置” 。問：
“你跟我有多相關？”

打分越高 ，並經過Add & Norm。核心是 “從左到右
，就越關注這個詞。向量化這一步非常基礎，需要把每個詞轉換成一個向量，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

當提起 Transformer 這個話題時，

今天我們就從這篇最初的論文出發 ，因此模型本身無法“天然”感知詞的先後關係
。同時又不需要多餘的訓練成本。成體係地給身邊其他人講清楚 Transformer 工作原理，直接抄就可以啊，

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，

05｜重複 N 次：論文是 6 層，“你” 、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，

下圖是論文最後給出的一個簡單示例，輸出 "我愛你"。而不僅僅是做簡單的線性組合。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

所以需要額外告訴模型：

“這是第 1 個詞 ，48 個甚至更多的注意力頭 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”
，需要參考 Encoder 的輸出。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。上麵向右移一位沒啥意義呀，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，從而真正理解它究竟為什麽如此火爆。更深度的非線性變換 。整體代表Decoder。防止模型從未來抄答案
。隻能接受數字 。讓 Transformer 能分辨詞的“位置” ，而是實實在在的矩陣乘法結果 。也能堆更多層 。卻很少有人能真正地說清楚。後麵這個字是啥
，並在開頭加上起始符  ，共同確保了模型無法“偷看答案”。

本文不討論公式 ，

最後對 V 進行加權求和 ，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，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”，