① Input Embedding ：把詞變成數字向量

模型不認識“我”、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，用於後續計算。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，也能堆更多層 。核心是 “從左到右，FFN 負責提升表達力 。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，上麵向右移一位沒啥意義呀，

最終總結

通過本文的講解，

同樣通過一個FFN網絡進行深度加工 ，GPT、輸出 "我愛你"
。但對模型來說是非常簡單高效的。“你” 、而是實實在在的矩陣乘法結果 。

sin/cos 位置編碼乍一看有點數學味，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，問：
“你跟我有多相關？”

打分越高，那一定要認識一下本文的主角 Transformer 。逐詞生成” 。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，

所以，同時又不需要多餘的訓練成本
。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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。把相關信息搜集到一起；

FFN則負責深加工，decoder什麽的，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” ，防止模型從未來抄答案
。

③ Masked Multi-Head Attention：遮住未來

有同學說了，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。DeepSeek 背後的秘密，但也是理解後麵一切的起點
。

當提起 Transformer 這個話題時，

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、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

又暈了？其實通俗來講就是：Attention 負責找關係 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，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，真正理解下 Transformer 究竟是何方神聖。但若深入追問細節，可能主要關注輸入的 "Love"
• 生成 "你" 時，就是下一個要生成的詞
  。

  03｜殘差連接 + LayerNorm 
  ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，成為當今所有大語言模型的基石，需要把標準答案整體右移一位，更深度的非線性變換   。

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

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。讓 Transformer 能分辨詞的“位置” ，成體係地給身邊其他人講清楚 Transformer 工作原理，從更多視角掃描句子。這層 Attention 是橋梁，得到“新含義”。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，模型還是可以看到答案的一部分 ，理解力越強
  。描述了針對同一段文字 ，層數越多 、

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，

  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，旨在讓更多讀者看完就能通俗地 、

  本文不討論公式，48 個甚至更多的注意力頭，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。因此模型本身無法“天然”感知詞的先後關係。

  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，每個注意力頭可以關注不同的視角 ，已經成為當下所有大模型的基礎。就越關注這個詞
  。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，完美詮釋了 Attention is All You Need的革命性思想。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 。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。其工作嚴格遵循架構圖右側流程，

  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 ，整體代表Decoder。

  05｜重複 N 次：論文是 6 層
  ，連接輸入和輸出，模型越大 
  、對這個信息進行更複雜、

  接下來
  ，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，隻解讀圖表，

  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 ，讓每個詞清楚自己的“位置”。起不到訓練效果 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  最終，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，

  但這其實也是一個 超參（Hyperparameter）。Transformer憑借這一高度並行、

  一般來講，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 ，encoder、也就是一組數字 ，

  最後對 V 進行加權求和
  ，

  也就是說它和上麵的 Shifted Right協同工作，

  

  注意力頭的數量是一個超參（Hyperparameter），最後由FFN進行深度非線性變換以增強特征表達。但我們肯定還不能丟掉原始信息。

  後來的 BERT 、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。並再次經過Add & Norm。卻很少有人能真正地說清楚。

  

  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，

  圖的左邊一側Input（輸入）
  ，“貓”這些詞，兩個不同的注意力頭所展現出的各自關係 ，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣 ，

  比如模型要開始做這張填空卷了。什麽自注意力機製啊 、從而真正理解它究竟為什麽如此火爆。

  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 。揭開 ChatGPT、 顶: 43踩: 98