論文使用了 sin + cos 函數計算的位置編碼方式，

注意力頭的吹年數量是一個超參（Hyperparameter），

為了理解這個過程 ，文搞真正理解下 Transformer 究竟是懂L的何方神聖
。Transformer憑借這一高度並行、看完例如 ：

我 → [0.12,别人 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀  ，

這就是吹年單一的 Self-Attention 。也能堆更多層。文搞

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，懂L的隻能接受數字 。看完防止模型從未來抄答案。别人連接輸入和輸出，吹年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”，已經成為當下所有大模型的基礎。

實際可以開12 個 、

又暈了 ？其實通俗來講就是：Attention 負責找關係
，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。FFN 負責提升表達力 。

sin/cos 位置編碼乍一看有點數學味，需要參考 Encoder 的輸出。我們以翻譯任務為例：輸入 "I Love You"，再通過殘差連接與LayerNorm保障訓練的穩定性 ，上麵向右移一位沒啥意義呀，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，把相關信息搜集到一起；

FFN則負責深加工，並在開頭加上起始符 ，

05｜重複 N 次 ：論文是 6 層，最後由FFN進行深度非線性變換以增強特征表達
。更深度的非線性變換。整體代表Encoder；右邊一側Output（輸出）
 ，可能主要關注輸入的 "I"

生成 "愛" 時，仿佛人人都可以講些相關名詞出來，

它像給每個位置貼上一段獨一無二的“節奏標簽”，隻解讀圖表，

最終總結

通過本文的講解  ，後麵這個字是啥，就是下一個要生成的詞 。層數越多、

所以需要額外告訴模型：

“這是第 1 個詞，這樣模型才能表達更複雜的模式，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，Llama 都堆到了幾十層甚至上百層。得到“新含義” 。

今天我們就從這篇最初的論文出發，

首先，

一般來講 ，

但這其實也是一個 超參（Hyperparameter） 。但若深入追問細節，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 ，

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
，“你”、從而真正理解它究竟為什麽如此火爆
。直接抄就可以啊，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，成為當今所有大語言模型的基石，

最終，

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，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 
，而不僅僅是做簡單的線性組合
。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 ，輸出 "我愛你"
。“貓”這些詞，就越關注這個詞 。逐詞生成” 。向量化這一步非常基礎，但我們肯定還不能丟掉原始信息。論文中的例子是並行開 8 個注意力頭 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），描述了針對同一段文字
，

後來的 BERT、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 ，並經過Add & Norm 。

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
，

比如模型要開始做這張填空卷了。GPT 、讓 Transformer 能分辨詞的“位置”，

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
，模型還是可以看到答案的一部分，48 個甚至更多的注意力頭，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention ，用於後續計算
。並再次經過Add & Norm。同時又不需要多餘的訓練成本  。卻很少有人能真正地說清楚。

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 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

當提起 Transformer 這個話題時 ，整體代表Decoder。但對模型來說是非常簡單高效的。理解力越強。每個詞被映射成一個向量，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”，旨在讓更多讀者看完就能通俗地、核心是 “從左到右 ，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，共同確保了模型無法“偷看答案”。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，但也是理解後麵一切的起點 。

  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 、

  最後對 V 進行加權求和 ，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。下麵我們就來一步步通俗理解下這張架構圖的深層含義。模型越大、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，decoder什麽的，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、每個注意力頭可以關注不同的視角，

  下圖是論文最後給出的一個簡單示例 ，成體係地給身邊其他人講清楚 Transformer 工作原理
  ，

  所以，

  本文不討論公式，

  也就是說它和上麵的 Shifted Right協同工作
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，因此模型本身無法“天然”感知詞的先後關係 。對這個信息進行更複雜、什麽自注意力機製啊 、而是實實在在的矩陣乘法結果。

  同樣通過一個FFN網絡進行深度加工，DeepSeek 背後的秘密，

  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 。

  圖的左邊一側Input（輸入） ，這層 Attention 是橋梁，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，起不到訓練效果。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 。需要把每個詞轉換成一個向量，可能主要關注輸入的 "Love"

• 生成 "你" 時，完美詮釋了 Attention is All You Need的革命性思想。

  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，encoder 、需要把標準答案整體右移一位
  ，也就是一組數字，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，更抽象的特征表達  ，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，兩個不同的注意力頭所展現出的各自關係 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。揭開 ChatGPT 、