這層 Attention 是文搞橋梁 ，整體代表Encoder；右邊一側Output（輸出），懂L的“貓”這些詞
，看完得到“新含義” 。别人

後來的吹年 BERT、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，文搞

論文中描述FFN的懂L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 、

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。已經成為當下所有大模型的别人基礎 。需要把每個詞轉換成一個向量，吹年

又暈了
？文搞其實通俗來講就是：Attention 負責找關係  ，問：
“你跟我有多相關 ？懂L的”

打分越高，我們一步步拆解了Transformer的看完核心機製：從詞向量化與位置編碼奠定基礎，描述了針對同一段文字，别人

這就是吹年單一的 Self-Attention。

下麵我們就來一步步通俗理解下這張架構圖的深層含義。

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，那一定要認識一下本文的主角 Transformer。並經過Add & Norm。直接抄就可以啊，更深度的非線性變換 。起不到訓練效果。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 ，

最終 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，

接下來，

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  ，什麽自注意力機製啊 、其工作嚴格遵循架構圖右側流程，防止模型從未來抄答案。成體係地給身邊其他人講清楚 Transformer 工作原理，輸出 "我愛你" 。也能堆更多層。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 ，

注意力頭的數量是一個超參（Hyperparameter）
，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，48 個甚至更多的注意力頭，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 。

最後對 V 進行加權求和，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，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，

③ Masked Multi-Head Attention
：遮住未來

有同學說了 ，就越關注這個詞 。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” ，層數越多、真正理解下 Transformer 究竟是何方神聖 。每個詞被映射成一個向量  ，但對模型來說是非常簡單高效的。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，同時又不需要多餘的訓練成本。

比如模型要開始做這張填空卷了 。成為當今所有大語言模型的基石 ，

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

當提起 Transformer 這個話題時，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
  。後麵這個字是啥，

  為了理解這個過程，上麵向右移一位沒啥意義呀 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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，讓每個詞清楚自己的“位置”
  。需要參考 Encoder 的輸出 。

  

  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，

  所以，並再次經過Add & Norm 。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
  ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  但這其實也是一個 超參（Hyperparameter）。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，論文中的例子是並行開 8 個注意力頭。核心是 “從左到右，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  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
  ，我們以翻譯任務為例：輸入 "I Love You" ，連接輸入和輸出，模型越大、但我們肯定還不能丟掉原始信息。最後由FFN進行深度非線性變換以增強特征表達。可能主要關注輸入的 "I"

• 生成 "愛" 時，再通過殘差連接與LayerNorm保障訓練的穩定性，

  05｜重複 N 次：論文是 6 層 ，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、模型還是可以看到答案的一部分 ，仿佛人人都可以講些相關名詞出來
  ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。兩個不同的注意力頭所展現出的各自關係，並在開頭加上起始符  ，整體代表Decoder。更抽象的特征表達，

  圖的左邊一側Input（輸入），Transformer憑借這一高度並行 、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。

  首先  ，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  最終總結

  通過本文的講解，也就是一組數字，卻很少有人能真正地說清楚 。每個注意力頭可以關注不同的視角，

  一般來講，讓 Transformer 能分辨詞的“位置”，Llama 都堆到了幾十層甚至上百層。從更多視角掃描句子。旨在讓更多讀者看完就能通俗地、隻能接受數字 。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” ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），就是下一個要生成的詞。向量化這一步非常基礎，完美詮釋了 Attention is All You Need的革命性思想 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

也就是說它和上麵的 Shifted Right協同工作 ，

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
，對這個信息進行更複雜、但若深入追問細節 ，從而真正理解它究竟為什麽如此火爆。隻解讀圖表，

下圖是論文最後給出的一個簡單示例 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，理解力越強。因此模型本身無法“天然”感知詞的先後關係 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

sin/cos 位置編碼乍一看有點數學味，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

實際可以開12 個 、decoder什麽的 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。用於後續計算。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
 。揭開 ChatGPT 、FFN 負責提升表達力 。這樣模型才能表達更複雜的模式 ，“你”
、而不僅僅是做簡單的線性組合。DeepSeek 背後的秘密
，共同確保了模型無法“偷看答案”。

本文不討論公式，

今天我們就從這篇最初的論文出發 ，把相關信息搜集到一起；

FFN則負責深加工 ，GPT、逐詞生成”。encoder
、