② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，别人理解力越強。吹年

後來的文搞 BERT、

又暈了
？懂L的其實通俗來講就是：Attention 負責找關係 ，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，看完

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

06｜Decoder 如何像人一樣“輸出”內容 ？吹年

Decoder是模型的“寫作器” ，整體代表Decoder
。文搞下麵我們就來一步步通俗理解下這張架構圖的懂L的深層含義
。其工作嚴格遵循架構圖右側流程，看完

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 。這是吹年第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，真正理解下 Transformer 究竟是何方神聖 
。更抽象的特征表達，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 ，什麽自注意力機製啊 、核心是 “從左到右，而是實實在在的矩陣乘法結果。從更多視角掃描句子。但若深入追問細節 ，把相關信息搜集到一起；

FFN則負責深加工，那一定要認識一下本文的主角 Transformer。

sin/cos 位置編碼乍一看有點數學味，兩個不同的注意力頭所展現出的各自關係，隻解讀圖表，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention
 ，並再次經過Add & Norm。

① Input Embedding ：把詞變成數字向量

模型不認識“我”  、後麵這個字是啥，FFN 負責提升表達力。描述了針對同一段文字，向量化這一步非常基礎，成為當今所有大語言模型的基石 ，

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，

接下來，

最終，每個詞被映射成一個向量 ，但對模型來說是非常簡單高效的。

05｜重複 N 次 ：論文是 6 層，仿佛人人都可以講些相關名詞出來 ，模型還是可以看到答案的一部分 ，對這個信息進行更複雜、模型越大、

最後對 V 進行加權求和，

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 ，GPT 、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，48 個甚至更多的注意力頭 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。論文中的例子是並行開 8 個注意力頭 。就是下一個要生成的詞。但我們肯定還不能丟掉原始信息。但也是理解後麵一切的起點 。每個注意力頭可以關注不同的視角，DeepSeek 背後的秘密，“貓”這些詞 ，這層 Attention 是橋梁，讓 Transformer 能分辨詞的“位置”
  ，

  本文不討論公式 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  Transformer憑借這一高度並行 、

  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，隻能接受數字
  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），這樣模型才能表達更複雜的模式，

  一般來講，成體係地給身邊其他人講清楚 Transformer 工作原理，揭開 ChatGPT 、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，

  但這其實也是一個 超參（Hyperparameter）。因此模型本身無法“天然”感知詞的先後關係 。

  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 、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”，最後由FFN進行深度非線性變換以增強特征表達 。

今天我們就從這篇最初的論文出發 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。完美詮釋了 Attention is All You Need的革命性思想 。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，並經過Add & Norm 。旨在讓更多讀者看完就能通俗地、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，卻很少有人能真正地說清楚 。並在開頭加上起始符 
，更深度的非線性變換。

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，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，得到“新含義”。上麵向右移一位沒啥意義呀，

為了理解這個過程，

也就是說它和上麵的 Shifted Right協同工作 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

這就是單一的 Self-Attention。需要把每個詞轉換成一個向量，

圖的左邊一側Input（輸入） ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，也能堆更多層。

當提起 Transformer 這個話題時 
，同時又不需要多餘的訓練成本。

所以需要額外告訴模型 ：

“這是第 1 個詞 ，

首先，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

最終總結

通過本文的講解
，起不到訓練效果。decoder什麽的，

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

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
，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，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 ，“你”、直接抄就可以啊 ，防止模型從未來抄答案 。需要參考 Encoder 的輸出  。

比如模型要開始做這張填空卷了。用於後續計算 。從而真正理解它究竟為什麽如此火爆。

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，

同樣通過一個FFN網絡進行深度加工，逐詞生成”。層數越多 、可能主要關注輸入的 "Love"

題目: <start> 我 愛

此時模型看到的是：

<start> 我 愛

也就是右移一格 。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 。encoder、問：
“你跟我有多相關
？”

打分越高 ，

實際可以開12 個、讓每個詞清楚自己的“位置”
。

注意力頭的數量是一個超參（Hyperparameter），整體代表Encoder；右邊一側Output（輸出）
，Llama 都堆到了幾十層甚至上百層 。已經成為當下所有大模型的基礎
。連接輸入和輸出 ，

下圖是論文最後給出的一個簡單示例 ，也就是一組數字，共同確保了模型無法“偷看答案” 。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 。就越關注這個詞。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”，而不僅僅是做簡單的線性組合 。我們以翻譯任務為例 ：輸入 "I Love You" ， 顶: 1256踩: 1