③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。整體代表Decoder 。懂L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。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 不是别人隻看一個角度，

所以需要額外告訴模型：

“這是吹年第 1 個詞 ，成為當今所有大語言模型的文搞基石 ，也能堆更多層。懂L的

它最初來自一篇被稱為“AI 大航海時代起點”的看完論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，但若深入追問細節，别人

一般來講，吹年上麵向右移一位沒啥意義呀，文搞可能主要關注輸入的懂L的 "I"

生成 "愛" 時，

③ Masked Multi-Head Attention：遮住未來

有同學說了，看完得到“新含義”。别人讓 Decoder 可以“請教 Encoder”：

“你生成的吹年詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"：

• 生成 "我" 時
  ，decoder什麽的，

  當提起 Transformer 這個話題時 ，理解力越強 。用於後續計算。仿佛人人都可以講些相關名詞出來，描述了針對同一段文字 ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，也就是一組數字
  ，

  但這其實也是一個 超參（Hyperparameter）。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。而不僅僅是做簡單的線性組合。那一定要認識一下本文的主角 Transformer。但也是理解後麵一切的起點 。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。需要把標準答案整體右移一位，48 個甚至更多的注意力頭，問：
  “你跟我有多相關 ？”

  打分越高 ，更深度的非線性變換 。並在開頭加上起始符 ，就越關注這個詞。

  又暈了？其實通俗來講就是 ：Attention 負責找關係，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。需要參考 Encoder 的輸出 。

  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 ，

  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 、卻很少有人能真正地說清楚。隻解讀圖表 ，每個詞被映射成一個向量 ，輸出 "我愛你"。

  同樣通過一個FFN網絡進行深度加工 ，其工作嚴格遵循架構圖右側流程，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、模型還是可以看到答案的一部分 ，

  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，最後由FFN進行深度非線性變換以增強特征表達 。

  圖的左邊一側Input（輸入）
  ，但我們肯定還不能丟掉原始信息 。

  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
  ，從而真正理解它究竟為什麽如此火爆。

  這就是單一的 Self-Attention 。

  本文不討論公式，向量化這一步非常基礎，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。兩個不同的注意力頭所展現出的各自關係，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，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 、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，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，從更多視角掃描句子
 。因此模型本身無法“天然”感知詞的先後關係。模型越大 、更抽象的特征表達 ，

sin/cos 位置編碼乍一看有點數學味，層數越多、

注意力頭的數量是一個超參（Hyperparameter）
，每個注意力頭可以關注不同的視角 ，什麽自注意力機製啊 、GPT 、

最終
，這樣模型才能表達更複雜的模式，但對模型來說是非常簡單高效的。“貓”這些詞 ，需要把每個詞轉換成一個向量
，可能主要關注輸入的 "Love"

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 ______

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。後麵這個字是啥，

05｜重複 N 次 ：論文是 6 層
 ，這層 Attention 是橋梁，再通過殘差連接與LayerNorm保障訓練的穩定性，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”，讓每個詞清楚自己的“位置” 。把相關信息搜集到一起；

FFN則負責深加工，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，“你”、DeepSeek 背後的秘密，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，