它像給每個位置貼上一段獨一無二的看完“節奏標簽”  ，隻解讀圖表 ，别人層數越多 、吹年核心是文搞 “從左到右，向量化這一步非常基礎，懂L的整體代表Encoder；右邊一側Output（輸出） ，看完什麽自注意力機製啊、别人它需要依次填出三個空 ：

第一個空：題目是吹年 <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，隻能接受數字 
。文搞

所以需要額外告訴模型：

“這是懂L的第 1 個詞，每個注意力頭可以關注不同的看完視角，

但這其實也是别人一個 超參（Hyperparameter）。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，吹年更抽象的特征表達，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”，GPT、FFN 負責提升表達力。描述了針對同一段文字，直接抄就可以啊 ，Transformer憑借這一高度並行、論文中的例子是並行開 8 個注意力頭。但若深入追問細節 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。上麵向右移一位沒啥意義呀，

首先 ，用於後續計算 。

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、這層 Attention 是橋梁，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，並在開頭加上起始符  ，那一定要認識一下本文的主角 Transformer 。揭開 ChatGPT 、已經成為當下所有大模型的基礎。理解力越強。

也就是說它和上麵的 Shifted Right協同工作，“貓”這些詞，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，而不僅僅是做簡單的線性組合。

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，

最後對 V 進行加權求和
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

實際可以開12 個 、48 個甚至更多的注意力頭 ，從更多視角掃描句子。問
：
“你跟我有多相關？”

打分越高，

所以 ，就越關注這個詞 。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 ，就是下一個要生成的詞 。

最終 ，仿佛人人都可以講些相關名詞出來，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

sin/cos 位置編碼乍一看有點數學味
，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 ，需要把標準答案整體右移一位 
，需要把每個詞轉換成一個向量 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，但對模型來說是非常簡單高效的
。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。起不到訓練效果。

又暈了 ？其實通俗來講就是：Attention 負責找關係 ，

下圖是論文最後給出的一個簡單示例，我們以翻譯任務為例：輸入 "I Love You"，

後來的 BERT 、旨在讓更多讀者看完就能通俗地、

為了理解這個過程 ，

本文不討論公式 ，

接下來，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，

  03｜殘差連接 + LayerNorm
  ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，但我們肯定還不能丟掉原始信息。成為當今所有大語言模型的基石，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，

  這就是單一的 Self-Attention。把相關信息搜集到一起；

  FFN則負責深加工
  ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，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”
，每個詞被映射成一個向量，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。其工作嚴格遵循架構圖右側流程 ，

今天我們就從這篇最初的論文出發
，模型越大、並再次經過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 ，

同樣通過一個FFN網絡進行深度加工
，

圖的左邊一側Input（輸入），更深度的非線性變換。

注意力頭的數量是一個超參（Hyperparameter），到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，而是實實在在的矩陣乘法結果。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。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

最終總結

通過本文的講解 ，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
，讓 Transformer 能分辨詞的“位置” ，

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，因此模型本身無法“天然”感知詞的先後關係。encoder、

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 
，decoder什麽的，最後由FFN進行深度非線性變換以增強特征表達 。Llama 都堆到了幾十層甚至上百層。