當提起 Transformer 這個話題時 ，文搞48 個甚至更多的懂L的注意力頭 ，需要參考 Encoder 的看完輸出  。讓 Decoder 可以“請教 Encoder” ：

“你生成的别人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、吹年先引用這篇論文中的文搞關於 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，描述了針對同一段文字，懂L的“你”、看完成體係地給身邊其他人講清楚 Transformer 工作原理 ，别人

  最後對 V 進行加權求和，吹年

  05｜重複 N 次 ：論文是 6 層，

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。用於後續計算。看完例如：

  我 → [0.12,别人 -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，就是吹年下一個要生成的詞 
  。需要把每個詞轉換成一個向量，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網
  ，並再次經過Add & Norm 。

  這就是單一的 Self-Attention。也能堆更多層。核心是 “從左到右，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，就越關注這個詞 。仿佛人人都可以講些相關名詞出來 ，更抽象的特征表達 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、

  接下來，

  下圖是論文最後給出的一個簡單示例 ，問：
  “你跟我有多相關 ？”

  打分越高 ，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，把相關信息搜集到一起；

  FFN則負責深加工，

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

  為了理解這個過程 ，從而真正理解它究竟為什麽如此火爆 。每個注意力頭可以關注不同的視角 ，decoder什麽的 ，

  所以，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  

  注意力頭的數量是一個超參（Hyperparameter），

  又暈了？其實通俗來講就是：Attention 負責找關係 ，其工作嚴格遵循架構圖右側流程 ，

  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，這層 Attention 是橋梁，

  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，成為當今所有大語言模型的基石，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 
  。

  也就是說它和上麵的 Shifted Right協同工作，“貓”這些詞，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  今天我們就從這篇最初的論文出發，直接抄就可以啊 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，連接輸入和輸出 ，從更多視角掃描句子。

  首先，逐詞生成”。

  圖的左邊一側Input（輸入），而不僅僅是做簡單的線性組合。我們以翻譯任務為例：輸入 "I Love You"，

  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 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
  ，再通過殘差連接與LayerNorm保障訓練的穩定性，需要把標準答案整體右移一位，

  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，並在開頭加上起始符 ，encoder、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，卻很少有人能真正地說清楚
  。每個詞被映射成一個向量，

  最終總結

  通過本文的講解 ，

  本文不討論公式，但我們肯定還不能丟掉原始信息。後麵這個字是啥，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 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，但也是理解後麵一切的起點 。Transformer憑借這一高度並行、旨在讓更多讀者看完就能通俗地、

  同樣通過一個FFN網絡進行深度加工 ，

  

  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
  ，

  所以需要額外告訴模型：

  “這是第 1 個詞，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。上麵向右移一位沒啥意義呀，完美詮釋了 Attention is All You Need的革命性思想。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” ，模型越大、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 。並經過Add & Norm
   。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。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，也就是一組數字 ，可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，

  實際可以開12 個 、模型還是可以看到答案的一部分 ，

  但這其實也是一個 超參（Hyperparameter）。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” ，因此模型本身無法“天然”感知詞的先後關係。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

sin/cos 位置編碼乍一看有點數學味 ，隻能接受數字。這樣模型才能表達更複雜的模式 ，共同確保了模型無法“偷看答案”。防止模型從未來抄答案。讓每個詞清楚自己的“位置”。得到“新含義”。

一般來講 ，整體代表Encoder；右邊一側Output（輸出） ，FFN 負責提升表達力。同時又不需要多餘的訓練成本 。隻解讀圖表 ，更深度的非線性變換 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。什麽自注意力機製啊、論文中的例子是並行開 8 個注意力頭  。但對模型來說是非常簡單高效的。對這個信息進行更複雜
、

最終，理解力越強。兩個不同的注意力頭所展現出的各自關係，真正理解下 Transformer 究竟是何方神聖。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 ，

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。

比如模型要開始做這張填空卷了 。輸出 "我愛你"。而是實實在在的矩陣乘法結果
。向量化這一步非常基礎，Llama 都堆到了幾十層甚至上百層
。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，層數越多、

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，

後來的 BERT 、那一定要認識一下本文的主角 Transformer。

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 、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。已經成為當下所有大模型的基礎。揭開 ChatGPT 、起不到訓練效果 。

③ Masked Multi-Head Attention ：遮住未來

有同學說了
，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，整體代表Decoder
。最後由FFN進行深度非線性變換以增強特征表達
。DeepSeek 背後的秘密
，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 。