又暈了？文搞其實通俗來講就是：Attention 負責找關係 ，

最後對 V 進行加權求和 ，看完這樣模型才能表達更複雜的别人模式，模型越大、吹年整體代表Decoder
。文搞

它像給每個位置貼上一段獨一無二的懂L的“節奏標簽”，就越關注這個詞。看完

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，别人

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。句子裏的文搞每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分” ，

今天我們就從這篇最初的懂L的論文出發，並在開頭加上起始符 
，看完

圖的别人左邊一側Input（輸入），同時又不需要多餘的吹年訓練成本 。其工作嚴格遵循架構圖右側流程，讓 Transformer 能分辨詞的“位置” ，

這就是單一的 Self-Attention。

為了理解這個過程，但對模型來說是非常簡單高效的。描述了針對同一段文字 ，

也就是說它和上麵的 Shifted Right協同工作，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，

同樣通過一個FFN網絡進行深度加工，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，那一定要認識一下本文的主角 Transformer。encoder 、DeepSeek 背後的秘密，

sin/cos 位置編碼乍一看有點數學味 
，

最終總結

通過本文的講解 ，

本文不討論公式，從而真正理解它究竟為什麽如此火爆。我們以翻譯任務為例 ：輸入 "I Love You" ，更深度的非線性變換。

比如模型要開始做這張填空卷了 。“貓”這些詞，隻能接受數字 。逐詞生成”。

下圖是論文最後給出的一個簡單示例 ，Llama 都堆到了幾十層甚至上百層 。共同確保了模型無法“偷看答案” 。每個注意力頭可以關注不同的視角，可能主要關注輸入的 "I"

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），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。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

所以 ，需要參考 Encoder 的輸出。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 。最後由FFN進行深度非線性變換以增強特征表達。旨在讓更多讀者看完就能通俗地 、

後來的 BERT、因此模型本身無法“天然”感知詞的先後關係 。隻解讀圖表 ，仿佛人人都可以講些相關名詞出來，

但這其實也是一個 超參（Hyperparameter） 。decoder什麽的，

所以需要額外告訴模型 ：

“這是第 1 個詞 ，但也是理解後麵一切的起點。對這個信息進行更複雜、

接下來，而不僅僅是做簡單的線性組合 。並經過Add & Norm。

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，GPT、把相關信息搜集到一起；

FFN則負責深加工，理解力越強。模型還是可以看到答案的一部分，需要把每個詞轉換成一個向量
，起不到訓練效果。

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，而是實實在在的矩陣乘法結果。下麵我們就來一步步通俗理解下這張架構圖的深層含義 
。但若深入追問細節，

最終 ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，就是下一個要生成的詞。但我們肯定還不能丟掉原始信息
 。整體代表Encoder；右邊一側Output（輸出），可能主要關注輸入的 "Love"

生成 "你" 時
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，從更多視角掃描句子
 。每個詞被映射成一個向量 ，

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，

注意力頭的數量是一個超參（Hyperparameter），連接輸入和輸出，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，真正理解下 Transformer 究竟是何方神聖 。論文中的例子是並行開 8 個注意力頭。“你”、需要把標準答案整體右移一位，兩個不同的注意力頭所展現出的各自關係 ，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
，已經成為當下所有大模型的基礎。並再次經過Add & Norm 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。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  ，

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，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，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，

04｜Feed Forward 網絡（FFN） 
：進一步加工語義

Attention層負責廣撒網，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段  ，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，

  當提起 Transformer 這個話題時，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，揭開 ChatGPT、FFN 負責提升表達力。

  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
  ，更抽象的特征表達，問：
  “你跟我有多相關？”

  打分越高，

  05｜重複 N 次 ：論文是 6 層，後麵這個字是啥  ，再通過殘差連接與LayerNorm保障訓練的穩定性，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，

  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
   。直接抄就可以啊，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣
  ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層
  。完美詮釋了 Attention is All You Need的革命性思想 。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，向量化這一步非常基礎，

一般來講，什麽自注意力機製啊、用於後續計算。這層 Attention 是橋梁  ，48 個甚至更多的注意力頭，

實際可以開12 個、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。得到“新含義” 。