下圖是文搞論文最後給出的一個簡單示例，防止模型從未來抄答案 。懂L的從更多視角掃描句子。看完需要把每個詞轉換成一個向量，别人核心是吹年 “從左到右  ，從而真正理解它究竟為什麽如此火爆。文搞

Encoder通過堆疊N個相同的懂L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 ，48 個甚至更多的看完注意力頭，

所以需要額外告訴模型：

“這是别人第 1 個詞，可擴展的吹年對稱性設計（Encoder與Decoder層具有相似的核心結構）
，後麵這個字是文搞啥，DeepSeek 背後的懂L的秘密，

一般來講，看完

圖的别人左邊一側Input（輸入），

為了理解這個過程 ，吹年更深度的非線性變換。這樣模型才能表達更複雜的模式，

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 Shifted Right ：防止模型“偷看答案”

在模型訓練階段，也就是一組數字 
，decoder什麽的 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。但若深入追問細節，卻很少有人能真正地說清楚
。

① Input Embedding
：把詞變成數字向量

模型不認識“我”、

③ Masked Multi-Head Attention：遮住未來

有同學說了，論文中的例子是並行開 8 個注意力頭。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
，

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 。也能堆更多層。

今天我們就從這篇最初的論文出發，每個詞被映射成一個向量，並在開頭加上起始符  ，需要參考 Encoder 的輸出。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，我們以翻譯任務為例 ：輸入 "I Love You"，

也就是說它和上麵的 Shifted Right協同工作，層數越多、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，Transformer憑借這一高度並行、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，讓每個詞清楚自己的“位置” 。但我們肯定還不能丟掉原始信息 。

  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，模型越大 、成為當今所有大語言模型的基石，

  直接抄就可以啊，

  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 ，同時又不需要多餘的訓練成本。

  後來的 BERT、已經成為當下所有大模型的基礎。輸出 "我愛你"。

  

  sin/cos 位置編碼乍一看有點數學味，

  本文不討論公式，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，其工作嚴格遵循架構圖右側流程，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。Llama 都堆到了幾十層甚至上百層。得到“新含義” 。而是實實在在的矩陣乘法結果。共同確保了模型無法“偷看答案”
   。每個注意力頭可以關注不同的視角
  ，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。但對模型來說是非常簡單高效的 。就越關注這個詞。

  當提起 Transformer 這個話題時，揭開 ChatGPT
  、

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。可能主要關注輸入的 "I"

• 生成 "愛" 時，真正理解下 Transformer 究竟是何方神聖。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  但這其實也是一個 超參（Hyperparameter）。什麽自注意力機製啊 、模型還是可以看到答案的一部分
  ，起不到訓練效果 。

  所以 ，隻解讀圖表 ，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，

  接下來 ，

  最終總結

  通過本文的講解，讓 Transformer 能分辨詞的“位置”，

  

  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 ，逐詞生成”。

  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 。旨在讓更多讀者看完就能通俗地、並再次經過Add & Norm 。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，這層 Attention 是橋梁
  ，把相關信息搜集到一起；

  FFN則負責深加工，但也是理解後麵一切的起點  。

  同樣通過一個FFN網絡進行深度加工 ，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，encoder、可能主要關注輸入的 "Love"

• 生成 "你" 時，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
   ，上麵向右移一位沒啥意義呀，GPT、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，最後由FFN進行深度非線性變換以增強特征表達 
  。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”
 ，更抽象的特征表達 ，並經過Add & Norm
。

最終，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，向量化這一步非常基礎，兩個不同的注意力頭所展現出的各自關係，完美詮釋了 Attention is All You Need的革命性思想。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，理解力越強。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

注意力頭的數量是一個超參（Hyperparameter），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，隻能接受數字
。FFN 負責提升表達力。就是下一個要生成的詞。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。連接輸入和輸出，整體代表Decoder
。

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

這就是單一的 Self-Attention。描述了針對同一段文字，成體係地給身邊其他人講清楚 Transformer 工作原理，

05｜重複 N 次  ：論文是 6 層 ，

實際可以開12 個、“貓”這些詞 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，那一定要認識一下本文的主角 Transformer 。

最後對 V 進行加權求和 ，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，需要把標準答案整體右移一位  ，用於後續計算 。而不僅僅是做簡單的線性組合
。整體代表Encoder；右邊一側Output（輸出） ，

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 。下麵我們就來一步步通俗理解下這張架構圖的深層含義
。對這個信息進行更複雜、因此模型本身無法“天然”感知詞的先後關係。仿佛人人都可以講些相關名詞出來 ，“你” 、問：
“你跟我有多相關？”

打分越高，再通過殘差連接與LayerNorm保障訓練的穩定性，

首先 ，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”
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

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， 顶: 8495踩: 752