別人吹r看一文搞一年懂 L的 T完能和

但這其實也是吹年一個 超參（Hyperparameter）。下麵我們就來一步步通俗理解下這張架構圖的文搞深層含義。並經過Add & Norm。懂L的但我們肯定還不能丟掉原始信息 。看完

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，别人

為了理解這個過程
，吹年

一般來講 ，encoder 、讓每個詞清楚自己的“位置”。DeepSeek 背後的秘密 ，Llama 都堆到了幾十層甚至上百層 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，我們以翻譯任務為例 ：輸入 "I Love You"，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。48 個甚至更多的注意力頭，得到“新含義” 。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，那一定要認識一下本文的主角 Transformer。向量化這一步非常基礎，把相關信息搜集到一起；

FFN則負責深加工，整體代表Decoder
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。起不到訓練效果
。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，就越關注這個詞。防止模型從未來抄答案。成為當今所有大語言模型的基石，已經成為當下所有大模型的基礎
。

最終 ，而不僅僅是做簡單的線性組合。

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，

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，整體代表Encoder；右邊一側Output（輸出），因此模型本身無法“天然”感知詞的先後關係。

接下來
，核心是 “從左到右
，

下圖是論文最後給出的一個簡單示例，

它像給每個位置貼上一段獨一無二的“節奏標簽”，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

後來的 BERT
、

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 。讓 Transformer 能分辨詞的“位置”，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 ，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，並再次經過Add & Norm
 。什麽自注意力機製啊、隻能接受數字。而是實實在在的矩陣乘法結果 。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，但對模型來說是非常簡單高效的 。直接抄就可以啊，

sin/cos 位置編碼乍一看有點數學味，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，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，就是下一個要生成的詞。模型越大、

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，

也就是說它和上麵的 Shifted Right協同工作
，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。從而真正理解它究竟為什麽如此火爆
。其工作嚴格遵循架構圖右側流程 ，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”，逐詞生成”
。隻解讀圖表，

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 ，共同確保了模型無法“偷看答案”。這樣模型才能表達更複雜的模式，描述了針對同一段文字
，

注意力頭的數量是一個超參（Hyperparameter），上麵向右移一位沒啥意義呀，

同樣通過一個FFN網絡進行深度加工，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
。

最終總結

通過本文的講解 ，

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，可能主要關注輸入的 "You"

所以需要額外告訴模型
：

“這是第 1 個詞 ，但也是理解後麵一切的起點 。後麵這個字是啥 ，從更多視角掃描句子。但若深入追問細節，連接輸入和輸出
 ，

今天我們就從這篇最初的論文出發，

圖的左邊一側Input（輸入），並在開頭加上起始符 ，

05｜重複 N 次 ：論文是 6 層，decoder什麽的，GPT、可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

最後對 V 進行加權求和，

比如模型要開始做這張填空卷了。成體係地給身邊其他人講清楚 Transformer 工作原理，對這個信息進行更複雜、用於後續計算。這層 Attention 是橋梁，更抽象的特征表達，

這就是單一的 Self-Attention。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，兩個不同的注意力頭所展現出的各自關係，“貓”這些詞
  ，

  所以 ，“你” 、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  當提起 Transformer 這個話題時，再通過殘差連接與LayerNorm保障訓練的穩定性 
  ，Transformer憑借這一高度並行 
  、輸出 "我愛你"。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，需要把每個詞轉換成一個向量，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，論文中的例子是並行開 8 個注意力頭。最後由FFN進行深度非線性變換以增強特征表達
。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，需要把標準答案整體右移一位，也能堆更多層。

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 ，理解力越強。

又暈了？其實通俗來講就是：Attention 負責找關係 ，仿佛人人都可以講些相關名詞出來，也就是一組數字，

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、旨在讓更多讀者看完就能通俗地、每個注意力頭可以關注不同的視角，問 ：
“你跟我有多相關？”

打分越高 
，

實際可以開12 個、FFN 負責提升表達力 。層數越多 、

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

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，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，真正理解下 Transformer 究竟是何方神聖 。同時又不需要多餘的訓練成本
 。揭開 ChatGPT、每個詞被映射成一個向量
，卻很少有人能真正地說清楚
 。