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。輸出 "我愛你"。

為了理解這個過程 ，每個注意力頭可以關注不同的視角，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。其工作嚴格遵循架構圖右側流程，從而真正理解它究竟為什麽如此火爆。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉  ，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，並再次經過Add & Norm。

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
。因此模型本身無法“天然”感知詞的先後關係
。核心是 “從左到右，

當提起 Transformer 這個話題時 ，

圖的左邊一側Input（輸入），

所以 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。起不到訓練效果 。

今天我們就從這篇最初的論文出發，什麽自注意力機製啊、整體代表Decoder  。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
，“貓”這些詞 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），而是實實在在的矩陣乘法結果。

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，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，卻很少有人能真正地說清楚 。這樣模型才能表達更複雜的模式，

注意力頭的數量是一個超參（Hyperparameter），也能堆更多層。GPT、

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
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，再通過殘差連接與LayerNorm保障訓練的穩定性，問
：
“你跟我有多相關？”

打分越高，

所以需要額外告訴模型 ：

“這是第 1 個詞，已經成為當下所有大模型的基礎 。同時又不需要多餘的訓練成本 。

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，Transformer憑借這一高度並行 、需要把每個詞轉換成一個向量 ，“你”、需要把標準答案整體右移一位，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。成為當今所有大語言模型的基石 ，

05｜重複 N 次：論文是 6 層
，用於後續計算 。

接下來，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，直接抄就可以啊  ，旨在讓更多讀者看完就能通俗地 、

這就是單一的 Self-Attention。把相關信息搜集到一起；

FFN則負責深加工，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

比如模型要開始做這張填空卷了。但我們肯定還不能丟掉原始信息。

最終，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” ，讓 Transformer 能分辨詞的“位置”，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，層數越多
、

又暈了
 ？其實通俗來講就是 ：Attention 負責找關係，

同樣通過一個FFN網絡進行深度加工，可能主要關注輸入的 "I"

一般來講
，

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣 ，

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、

它像給每個位置貼上一段獨一無二的“節奏標簽”，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
 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

實際可以開12 個、

但這其實也是一個 超參（Hyperparameter） 。更深度的非線性變換。

③ Masked Multi-Head Attention：遮住未來

有同學說了，

本文不討論公式，就越關注這個詞 。但也是理解後麵一切的起點  。成體係地給身邊其他人講清楚 Transformer 工作原理，

也就是說它和上麵的 Shifted Right協同工作，仿佛人人都可以講些相關名詞出來，

最終總結

通過本文的講解 ，防止模型從未來抄答案。

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
、每個詞被映射成一個向量，更抽象的特征表達 
，隻能接受數字。decoder什麽的，上麵向右移一位沒啥意義呀，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，兩個不同的注意力頭所展現出的各自關係 ，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
  ，這層 Attention 是橋梁
  ，

  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 ，得到“新含義”。理解力越強 。從更多視角掃描句子 。整體代表Encoder；右邊一側Output（輸出）
   ，並經過Add & Norm。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
  ，描述了針對同一段文字，對這個信息進行更複雜、向量化這一步非常基礎，

  最後對 V 進行加權求和
   ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。完美詮釋了 Attention is All You Need的革命性思想。而不僅僅是做簡單的線性組合
  。需要參考 Encoder 的輸出。論文中的例子是並行開 8 個注意力頭
  。

  首先，連接輸入和輸出，模型還是可以看到答案的一部分，模型越大、揭開 ChatGPT、共同確保了模型無法“偷看答案” 。那一定要認識一下本文的主角 Transformer 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，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 ，就是下一個要生成的詞。

  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，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：

  • 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，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。DeepSeek 背後的秘密，

  下圖是論文最後給出的一個簡單示例，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、 顶: 17236踩: 3