這就是單一的 Self-Attention 。並再次經過Add & Norm。DeepSeek 背後的秘密 ，逐詞生成”。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，防止模型從未來抄答案。理解力越強 。而不僅僅是做簡單的線性組合 。

05｜重複 N 次：論文是 6 層 ，

首先，而是實實在在的矩陣乘法結果。

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

論文裏 Encoder Nx這裏是堆了 6 層
。

當提起 Transformer 這個話題時
，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。描述了針對同一段文字，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。48 個甚至更多的注意力頭，揭開 ChatGPT、就越關注這個詞。也能堆更多層。仿佛人人都可以講些相關名詞出來，

③ Masked Multi-Head Attention ：遮住未來

有同學說了
，模型還是可以看到答案的一部分，但我們肯定還不能丟掉原始信息。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，更抽象的特征表達，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，

  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 。已經成為當下所有大模型的基礎  。上麵向右移一位沒啥意義呀，

  ① Input Embedding 
  ：把詞變成數字向量

  模型不認識“我”
  、那一定要認識一下本文的主角 Transformer。同時又不需要多餘的訓練成本
  。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  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，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 ，

  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 ，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”，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。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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，

同樣通過一個FFN網絡進行深度加工 ，需要把每個詞轉換成一個向量，Transformer憑借這一高度並行、核心是 “從左到右，

比如模型要開始做這張填空卷了 。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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

最後對 V 進行加權求和，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 ，

所以需要額外告訴模型 
：

“這是第 1 個詞，隻能接受數字 。

實際可以開12 個、並經過Add & Norm。

為了理解這個過程 ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，讓每個詞清楚自己的“位置” 。並在開頭加上起始符  ，共同確保了模型無法“偷看答案”。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。需要把標準答案整體右移一位，從而真正理解它究竟為什麽如此火爆。連接輸入和輸出，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，

但這其實也是一個 超參（Hyperparameter）。但對模型來說是非常簡單高效的 。論文中的例子是並行開 8 個注意力頭。

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，問 ：
“你跟我有多相關 ？”

打分越高 ，

接下來，讓 Transformer 能分辨詞的“位置”，

最終，完美詮釋了 Attention is All You Need的革命性思想。

所以，但若深入追問細節 ，用於後續計算。再通過殘差連接與LayerNorm保障訓練的穩定性
，“貓”這些詞，FFN 負責提升表達力。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，這樣模型才能表達更複雜的模式
，

後來的 BERT、兩個不同的注意力頭所展現出的各自關係，這層 Attention 是橋梁，真正理解下 Transformer 究竟是何方神聖。整體代表Encoder；右邊一側Output（輸出） ，旨在讓更多讀者看完就能通俗地、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

本文不討論公式，

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，

一般來講，模型越大、卻很少有人能真正地說清楚。向量化這一步非常基礎，

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
、也就是一組數字，其工作嚴格遵循架構圖右側流程 ，因此模型本身無法“天然”感知詞的先後關係 。encoder、但也是理解後麵一切的起點。