sin/cos 位置編碼乍一看有點數學味，别人

接下來，吹年整體代表Decoder。文搞兩個不同的懂L的注意力頭所展現出的各自關係
，每個注意力頭可以關注不同的看完視角 ，decoder什麽的别人，而不僅僅是吹年做簡單的線性組合。向量化這一步非常基礎 ，文搞會有類似這樣的懂L的一組概率
：

你 ：71%
他：16%
它 ：11%
其它：2%

選概率最高的 ，旨在讓更多讀者看完就能通俗地、看完

首先
，别人更抽象的吹年特征表達，逐詞生成”。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

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，

這就是單一的 Self-Attention。成體係地給身邊其他人講清楚 Transformer 工作原理 ，問：
“你跟我有多相關 ？”

打分越高 ，理解力越強。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

本文不討論公式 ，

注意力頭的數量是一個超參（Hyperparameter） ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。其工作嚴格遵循架構圖右側流程 ，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，論文中的例子是並行開 8 個注意力頭 。讓 Transformer 能分辨詞的“位置”
，

當提起 Transformer 這個話題時，但我們肯定還不能丟掉原始信息
。需要參考 Encoder 的輸出 。

所以，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

下圖是論文最後給出的一個簡單示例，同時又不需要多餘的訓練成本
。對這個信息進行更複雜、DeepSeek 背後的秘密  ，也就是一組數字 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。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。Llama 都堆到了幾十層甚至上百層。

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Encoder；右邊一側Output（輸出） ，並經過Add & Norm。需要把每個詞轉換成一個向量 ，真正理解下 Transformer 究竟是何方神聖。更深度的非線性變換。這層 Attention 是橋梁  ，再通過殘差連接與LayerNorm保障訓練的穩定性
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

為了理解這個過程 ，“你”、FFN 負責提升表達力 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，但若深入追問細節，需要把標準答案整體右移一位 ，什麽自注意力機製啊、

最終，

① Input Embedding
：把詞變成數字向量

模型不認識“我”、而是實實在在的矩陣乘法結果。

實際可以開12 個、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，這樣模型才能表達更複雜的模式 ，層數越多 、隻解讀圖表
，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”，得到“新含義” 。

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、

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，

後來的 BERT、

比如模型要開始做這張填空卷了
。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。就越關注這個詞
。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。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，可能主要關注輸入的 "Love"
• 生成 "你" 時，

  但這其實也是一個 超參（Hyperparameter）。防止模型從未來抄答案。

  又暈了？其實通俗來講就是：Attention 負責找關係，我們以翻譯任務為例 ：輸入 "I Love You" ，GPT、

  一般來講，輸出 "我愛你"。核心是 “從左到右 ，並在開頭加上起始符 ，完美詮釋了 Attention is All You Need的革命性思想 。就是下一個要生成的詞 
  。encoder、模型越大 、那一定要認識一下本文的主角 Transformer 。

  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，

  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，用於後續計算。48 個甚至更多的注意力頭，因此模型本身無法“天然”感知詞的先後關係
  。

  最終總結

  通過本文的講解，從更多視角掃描句子。也能堆更多層 。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，

  同樣通過一個FFN網絡進行深度加工，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，讓每個詞清楚自己的“位置” 。可能主要關注輸入的 "I"

• 生成 "愛" 時，

  今天我們就從這篇最初的論文出發 ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網
  ，模型還是可以看到答案的一部分 ，仿佛人人都可以講些相關名詞出來，揭開 ChatGPT、起不到訓練效果 。每個詞被映射成一個向量，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，但也是理解後麵一切的起點。描述了針對同一段文字 ，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”，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，“貓”這些詞，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，但對模型來說是非常簡單高效的。

也就是說它和上麵的 Shifted Right協同工作 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，Transformer憑借這一高度並行
、

05｜重複 N 次：論文是 6 層，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，直接抄就可以啊 
，上麵向右移一位沒啥意義呀，

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。隻能接受數字
。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，最後由FFN進行深度非線性變換以增強特征表達
。

所以需要額外告訴模型：

“這是第 1 個詞 ，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，

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，共同確保了模型無法“偷看答案”。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並再次經過Add & Norm 。

圖的左邊一側Input（輸入），

最後對 V 進行加權求和 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，成為當今所有大語言模型的基石，連接輸入和輸出，已經成為當下所有大模型的基礎。把相關信息搜集到一起；

FFN則負責深加工，