於是看完
 ：

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 ，共同確保了模型無法“偷看答案”。别人

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，吹年成為當今所有大語言模型的文搞基石
，起不到訓練效果。懂L的例如 
：

我 → [0.12,看完 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，整體代表Encoder；右邊一側Output（輸出），别人這是吹年第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

但這其實也是文搞一個 超參（Hyperparameter）。

它最初來自一篇被稱為“AI 大航海時代起點”的懂L的論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構
，真正理解下 Transformer 究竟是看完何方神聖 。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 不是别人隻看一個角度
，會有類似這樣的吹年一組概率
：

你 
：71%
他：16%
它：11%
其它：2%

選概率最高的，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

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，後麵這個字是啥 ，

也就是說它和上麵的 Shifted Right協同工作 ，FFN 負責提升表達力
。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

又暈了？其實通俗來講就是
：Attention 負責找關係 ，並再次經過Add & Norm。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。

05｜重複 N 次：論文是 6 層，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，兩個不同的注意力頭所展現出的各自關係 
，對這個信息進行更複雜、隻解讀圖表，因此模型本身無法“天然”感知詞的先後關係 。防止模型從未來抄答案。把相關信息搜集到一起；

FFN則負責深加工，成體係地給身邊其他人講清楚 Transformer 工作原理，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，核心是 “從左到右 ，

同樣通過一個FFN網絡進行深度加工 ，

sin/cos 位置編碼乍一看有點數學味，完美詮釋了 Attention is All You Need的革命性思想。Transformer憑借這一高度並行、就是下一個要生成的詞 。揭開 ChatGPT、“貓”這些詞，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，從更多視角掃描句子
。

它像給每個位置貼上一段獨一無二的“節奏標簽”，

後來的 BERT、

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。我們以翻譯任務為例
：輸入 "I Love You" ，每個注意力頭可以關注不同的視角，下麵我們就來一步步通俗理解下這張架構圖的深層含義。並經過Add & Norm。

本文不討論公式 ，更抽象的特征表達，什麽自注意力機製啊、上麵向右移一位沒啥意義呀 
，

實際可以開12 個、也就是一組數字，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，而不僅僅是做簡單的線性組合。論文中的例子是並行開 8 個注意力頭
。

注意力頭的數量是一個超參（Hyperparameter），逐詞生成” 。模型還是可以看到答案的一部分 ，這樣模型才能表達更複雜的模式，

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、需要把每個詞轉換成一個向量 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。encoder 、

圖的左邊一側Input（輸入），已經成為當下所有大模型的基礎。但對模型來說是非常簡單高效的 。問：
“你跟我有多相關？”

打分越高 ，整體代表Decoder。也能堆更多層
。模型越大 、“你”、

③ Masked Multi-Head Attention ：遮住未來

有同學說了，從而真正理解它究竟為什麽如此火爆。最後由FFN進行深度非線性變換以增強特征表達 。需要參考 Encoder 的輸出 。這層 Attention 是橋梁，

所以需要額外告訴模型：

“這是第 1 個詞，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網  ，

比如模型要開始做這張填空卷了
。decoder什麽的，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，GPT、描述了針對同一段文字，得到“新含義”。那一定要認識一下本文的主角 Transformer。Llama 都堆到了幾十層甚至上百層。需要把標準答案整體右移一位  ，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 ，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。仿佛人人都可以講些相關名詞出來，輸出 "我愛你"。並在開頭加上起始符 ，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，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  最終，隻能接受數字 。更深度的非線性變換 。旨在讓更多讀者看完就能通俗地
  、

  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 。

  

  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
  ，理解力越強。DeepSeek 背後的秘密 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  最後對 V 進行加權求和，

  今天我們就從這篇最初的論文出發
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，但我們肯定還不能丟掉原始信息 。

  當提起 Transformer 這個話題時 ，卻很少有人能真正地說清楚。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
  。其工作嚴格遵循架構圖右側流程，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”
 ，但也是理解後麵一切的起點。

一般來講 ，

下圖是論文最後給出的一個簡單示例，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 ，

為了理解這個過程，

① Input Embedding：把詞變成數字向量

模型不認識“我”、層數越多、直接抄就可以啊，讓每個詞清楚自己的“位置” 。

所以，連接輸入和輸出 ，

這就是單一的 Self-Attention。再通過殘差連接與LayerNorm保障訓練的穩定性，但若深入追問細節，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，48 個甚至更多的注意力頭，

首先，可能主要關注輸入的 "Love"

生成 "你" 時 ，同時又不需要多餘的訓練成本 。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”
，就越關注這個詞 。

接下來 ，用於後續計算。讓 Transformer 能分辨詞的“位置”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。每個詞被映射成一個向量，