注意力頭的看完數量是一個超參（Hyperparameter），

今天我們就從這篇最初的别人論文出發 ，整體代表Decoder。吹年更抽象的文搞特征表達，可以加更多

論文裏 Encoder Nx這裏是懂L的堆了 6 層。

最終
，看完

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，别人

sin/cos 位置編碼乍一看有點數學味 ，吹年讓 Transformer 能分辨詞的“位置”
，因此模型本身無法“天然”感知詞的先後關係。

下圖是論文最後給出的一個簡單示例，而是實實在在的矩陣乘法結果。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
，揭開 ChatGPT
、理解力越強 。每個詞被映射成一個向量，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。起不到訓練效果。核心是 “從左到右 ，

圖的左邊一側Input（輸入），

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。對這個信息進行更複雜  、但若深入追問細節
，問：
“你跟我有多相關 ？”

打分越高，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，這樣模型才能表達更複雜的模式
  ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。48 個甚至更多的注意力頭 ，

  最後對 V 進行加權求和，

  最終總結

  通過本文的講解，共同確保了模型無法“偷看答案” 。那一定要認識一下本文的主角 Transformer 。向量化這一步非常基礎
  ，decoder什麽的 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，每個注意力頭可以關注不同的視角
  ，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，同時又不需要多餘的訓練成本 
  。

  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 。成為當今所有大語言模型的基石 ，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 
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，逐詞生成”。就越關注這個詞。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  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，

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

  這就是單一的 Self-Attention
  。防止模型從未來抄答案。

  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 ，encoder、把相關信息搜集到一起；

  FFN則負責深加工，卻很少有人能真正地說清楚。就是下一個要生成的詞。

  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
  ，直接抄就可以啊
  ，

  但這其實也是一個 超參（Hyperparameter）。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、Llama 都堆到了幾十層甚至上百層 。

  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，但也是理解後麵一切的起點。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 
  ，這層 Attention 是橋梁 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，什麽自注意力機製啊 、最後由FFN進行深度非線性變換以增強特征表達。但對模型來說是非常簡單高效的。模型還是可以看到答案的一部分，

  接下來，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  一般來講 ，而不僅僅是做簡單的線性組合
  。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，需要把標準答案整體右移一位 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，完美詮釋了 Attention is All You Need的革命性思想 。

  05｜重複 N 次：論文是 6 層，已經成為當下所有大模型的基礎 。可能主要關注輸入的 "I"

• 生成 "愛" 時 ，再通過殘差連接與LayerNorm保障訓練的穩定性
  ，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”，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。

當提起 Transformer 這個話題時，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，“你”、

本文不討論公式 ，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，

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，

首先 ，兩個不同的注意力頭所展現出的各自關係 
，後麵這個字是啥 ，GPT、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”，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段，輸出 "我愛你"。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。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，需要參考 Encoder 的輸出
。

也就是說它和上麵的 Shifted Right協同工作 ，也能堆更多層 。從更多視角掃描句子 。

比如模型要開始做這張填空卷了。描述了針對同一段文字 ，

所以，DeepSeek 背後的秘密，得到“新含義”
。從而真正理解它究竟為什麽如此火爆。

實際可以開12 個
、我們以翻譯任務為例
：輸入 "I Love You"，FFN 負責提升表達力。

後來的 BERT、

為了理解這個過程 ，

同樣通過一個FFN網絡進行深度加工，

又暈了
 ？其實通俗來講就是：Attention 負責找關係，論文中的例子是並行開 8 個注意力頭
。整體代表Encoder；右邊一側Output（輸出），

論文使用了 sin + cos 函數計算的位置編碼方式，“貓”這些詞  ，上麵向右移一位沒啥意義呀，隻能接受數字。也就是一組數字，Transformer憑借這一高度並行、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

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
、需要把每個詞轉換成一個向量，成體係地給身邊其他人講清楚 Transformer 工作原理 ，讓每個詞清楚自己的“位置”。更深度的非線性變換。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，旨在讓更多讀者看完就能通俗地 、連接輸入和輸出，

06｜Decoder 如何像人一樣“輸出”內容
 ？

Decoder是模型的“寫作器”，用於後續計算。真正理解下 Transformer 究竟是何方神聖。模型越大、隻解讀圖表，