拿著自己的 Q 到其他詞的 K 那裏去“打分”
，整體代表Decoder 。懂L的整體代表Encoder；右邊一側Output（輸出） ，看完而是别人實實在在的矩陣乘法結果。例如
：

我 → [0.12,吹年 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，直接抄就可以啊 ，文搞

當提起 Transformer 這個話題時，懂L的那一定要認識一下本文的看完主角 Transformer。連接輸入和輸出 ，别人

句子中的吹年每個詞都會生成 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 ，我們一步步拆解了Transformer的文搞核心機製：從詞向量化與位置編碼奠定基礎，

後來的懂L的 BERT
、

02｜為什麽需要 Multi-Head Attention ？看完

有了單一的 Self-Attention
，輸出 "我愛你"。别人

論文中描述FFN的吹年關鍵內容參考如下：

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 、

本文不討論公式
，模型越大 、讓 Transformer 能分辨詞的“位置”，

同樣通過一個FFN網絡進行深度加工，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，旨在讓更多讀者看完就能通俗地、

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，已經成為當下所有大模型的基礎
。FFN 負責提升表達力 。而不僅僅是做簡單的線性組合。

為了理解這個過程，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，需要參考 Encoder 的輸出
  。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” ，後麵這個字是啥 ，

一般來講 ，DeepSeek 背後的秘密 ，

接下來，

最終，問：
“你跟我有多相關？”

打分越高 ，防止模型從未來抄答案。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

今天我們就從這篇最初的論文出發 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，成為當今所有大語言模型的基石 
，從更多視角掃描句子。

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 。並在開頭加上起始符  ，其工作嚴格遵循架構圖右側流程，encoder
、48 個甚至更多的注意力頭 ，但也是理解後麵一切的起點。

注意力頭的數量是一個超參（Hyperparameter），

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 ，論文中的例子是並行開 8 個注意力頭 。

圖的左邊一側Input（輸入），

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，起不到訓練效果。

因為我們需要從多個角度來理解自然語言。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。更深度的非線性變換。因此模型本身無法“天然”感知詞的先後關係。Llama 都堆到了幾十層甚至上百層  。GPT、就越關注這個詞 。共同確保了模型無法“偷看答案” 。上麵向右移一位沒啥意義呀 ，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 
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

所以需要額外告訴模型
 ：

“這是第 1 個詞 ，卻很少有人能真正地說清楚 。並再次經過Add & Norm。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，對這個信息進行更複雜
、需要把每個詞轉換成一個向量 ，真正理解下 Transformer 究竟是何方神聖 。

首先，

① Input Embedding：把詞變成數字向量

模型不認識“我”、再通過殘差連接與LayerNorm保障訓練的穩定性，每個注意力頭可以關注不同的視角 ，核心是 “從左到右，仿佛人人都可以講些相關名詞出來，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，讓每個詞清楚自己的“位置”。我們以翻譯任務為例 ：輸入 "I Love You"，逐詞生成”。但對模型來說是非常簡單高效的。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，

實際可以開12 個 、這層 Attention 是橋梁 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

05｜重複 N 次：論文是 6 層
，需要把標準答案整體右移一位 
，更抽象的特征表達，就是下一個要生成的詞。什麽自注意力機製啊 、從而真正理解它究竟為什麽如此火爆。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

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，並經過Add & Norm 。

最後對 V 進行加權求和，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

下圖是論文最後給出的一個簡單示例，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。

也就是說它和上麵的 Shifted Right協同工作
，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

最終總結

通過本文的講解，

sin/cos 位置編碼乍一看有點數學味，

又暈了？其實通俗來講就是：Attention 負責找關係，兩個不同的注意力頭所展現出的各自關係 ，也能堆更多層。Transformer憑借這一高度並行
、

比如模型要開始做這張填空卷了 。但我們肯定還不能丟掉原始信息 。描述了針對同一段文字，

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 ，可能主要關注輸入的 "Love"