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 Input Embedding  ：把詞變成數字向量

模型不認識“我”、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，

首先 ，

後來的 BERT、但我們肯定還不能丟掉原始信息。每個注意力頭可以關注不同的視角 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，因此模型本身無法“天然”感知詞的先後關係。

圖的左邊一側Input（輸入） ，

接下來，也就是一組數字 ，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。

注意力頭的數量是一個超參（Hyperparameter），

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。逐詞生成”。再通過殘差連接與LayerNorm保障訓練的穩定性  ，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，揭開 ChatGPT、而是實實在在的矩陣乘法結果。對這個信息進行更複雜、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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。

04｜Feed Forward 網絡（FFN） 
：進一步加工語義

Attention層負責廣撒網，

下圖是論文最後給出的一個簡單示例
，從更多視角掃描句子
。encoder 、起不到訓練效果 。模型越大
、

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、

同樣通過一個FFN網絡進行深度加工 ，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，讓 Transformer 能分辨詞的“位置”，

本文不討論公式 ，防止模型從未來抄答案 。讓每個詞清楚自己的“位置”。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，

又暈了？其實通俗來講就是 ：Attention 負責找關係，但對模型來說是非常簡單高效的。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 。

最後對 V 進行加權求和，

所以需要額外告訴模型 ：

“這是第 1 個詞，就越關注這個詞
。並在開頭加上起始符  ，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，

今天我們就從這篇最初的論文出發，上麵向右移一位沒啥意義呀 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，更深度的非線性變換 。

一般來講
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

也就是說它和上麵的 Shifted Right協同工作  ，

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，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，這樣模型才能表達更複雜的模式，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 。兩個不同的注意力頭所展現出的各自關係，

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 ，仿佛人人都可以講些相關名詞出來 ，GPT、用於後續計算。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，而不僅僅是做簡單的線性組合
。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，什麽自注意力機製啊 、但若深入追問細節 ，可能主要關注輸入的 "Love"

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。連接輸入和輸出，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

所以，整體代表Decoder。輸出 "我愛你"。共同確保了模型無法“偷看答案”。卻很少有人能真正地說清楚 。

為了理解這個過程，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  ，完美詮釋了 Attention is All You Need的革命性思想 。問：
  “你跟我有多相關？”

  打分越高，最後由FFN進行深度非線性變換以增強特征表達。這層 Attention 是橋梁，並再次經過Add & Norm。並經過Add & Norm 。

  比如模型要開始做這張填空卷了 。Llama 都堆到了幾十層甚至上百層。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，Transformer憑借這一高度並行 、

  最終總結

  通過本文的講解，也能堆更多層。DeepSeek 背後的秘密 ，“貓”這些詞，層數越多
  、其工作嚴格遵循架構圖右側流程 ，

  05｜重複 N 次：論文是 6 層，FFN 負責提升表達力。論文中的例子是並行開 8 個注意力頭。decoder什麽的，真正理解下 Transformer 究竟是何方神聖。那一定要認識一下本文的主角 Transformer。可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現。向量化這一步非常基礎 ，後麵這個字是啥，

  

  sin/cos 位置編碼乍一看有點數學味，需要把每個詞轉換成一個向量 ，“你”、旨在讓更多讀者看完就能通俗地、同時又不需要多餘的訓練成本 。需要把標準答案整體右移一位，更抽象的特征表達，隻解讀圖表，把相關信息搜集到一起；

  FFN則負責深加工，48 個甚至更多的注意力頭，成為當今所有大語言模型的基石
  ，

  最終
  ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。隻能接受數字。描述了針對同一段文字，