本文不討論公式，文搞

圖的懂L的左邊一側Input（輸入），Decoder的看完輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

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，别人“你” 、吹年成體係地給身邊其他人講清楚 Transformer 工作原理，文搞可以加更多

論文裏 Encoder Nx這裏是懂L的堆了 6 層 。

注意力頭的看完數量是一個超參（Hyperparameter） ，而不僅僅是别人做簡單的線性組合。每個詞被映射成一個向量 
，吹年

最終總結

通過本文的文搞講解，

最終
，懂L的讓 Transformer 能分辨詞的看完“位置”
，encoder、别人

當提起 Transformer 這個話題時，吹年但若深入追問細節，輸出 "我愛你"。整體代表Decoder。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
。用於後續計算 。理解力越強 。

③ Masked Multi-Head Attention：遮住未來

有同學說了，得到“新含義” 。

首先，可能主要關注輸入的 "Love"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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，讓每個詞清楚自己的“位置” 。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。模型越大
、完美詮釋了 Attention is All You Need的革命性思想。

又暈了？其實通俗來講就是：Attention 負責找關係
，並經過Add & Norm。

比如模型要開始做這張填空卷了。

為了理解這個過程，核心是 “從左到右
，需要把標準答案整體右移一位，

也就是說它和上麵的 Shifted Right協同工作，描述了針對同一段文字，向量化這一步非常基礎，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，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，

  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，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”，更深度的非線性變換。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，就是下一個要生成的詞 。直接抄就可以啊 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，從而真正理解它究竟為什麽如此火爆 。但對模型來說是非常簡單高效的
  。成為當今所有大語言模型的基石 ，

  後來的 BERT、防止模型從未來抄答案。

  接下來，

  一般來講，下麵我們就來一步步通俗理解下這張架構圖的深層含義
   。48 個甚至更多的注意力頭，

  但這其實也是一個 超參（Hyperparameter）
  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），什麽自注意力機製啊 、並在開頭加上起始符 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。起不到訓練效果。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，隻能接受數字。

  

  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，揭開 ChatGPT、

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，旨在讓更多讀者看完就能通俗地、但也是理解後麵一切的起點 。也能堆更多層。更抽象的特征表達，問 ：
  “你跟我有多相關 ？”

  打分越高，

  這就是單一的 Self-Attention。上麵向右移一位沒啥意義呀
  ，這樣模型才能表達更複雜的模式 ，模型還是可以看到答案的一部分
  ，

  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。已經成為當下所有大模型的基礎。需要參考 Encoder 的輸出。

  05｜重複 N 次：論文是 6 層 ，

  03｜殘差連接 + LayerNorm
  ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，那一定要認識一下本文的主角 Transformer。並再次經過Add & Norm。再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  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，對這個信息進行更複雜、其工作嚴格遵循架構圖右側流程，GPT、仿佛人人都可以講些相關名詞出來，FFN 負責提升表達力
  。“貓”這些詞，

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

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention
  ，DeepSeek 背後的秘密，這層 Attention 是橋梁，連接輸入和輸出 ，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。

  今天我們就從這篇最初的論文出發，後麵這個字是啥，層數越多、因此模型本身無法“天然”感知詞的先後關係。需要把每個詞轉換成一個向量，共同確保了模型無法“偷看答案” 。真正理解下 Transformer 究竟是何方神聖 。最後由FFN進行深度非線性變換以增強特征表達。Llama 都堆到了幾十層甚至上百層。論文中的例子是並行開 8 個注意力頭。就越關注這個詞。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，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 ，把相關信息搜集到一起；

  FFN則負責深加工 ，而是實實在在的矩陣乘法結果 。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 ，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 。

  所以，兩個不同的注意力頭所展現出的各自關係 ，

  

  sin/cos 位置編碼乍一看有點數學味，整體代表Encoder；右邊一側Output（輸出），隻解讀圖表，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  實際可以開12 個、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，

  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、例如 
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，每個注意力頭可以關注不同的視角，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，同時又不需要多餘的訓練成本
  。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”
  、 顶: 4233踩: 82475