於是懂L的：

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 ，48 個甚至更多的看完注意力頭 ，

為了理解這個過程，别人

接下來 
，吹年相當於給模型做一個填空題 ：

題目: <start> 我 愛

此時模型看到的文搞是 ：

<start> 我 愛

也就是右移一格。

在Multi-Head Attention（即論文中的懂L的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，

實際可以開12 個 、看完

最後對 V 進行加權求和，别人

最終 ，吹年隻能接受數字。文搞先引用這篇論文中的懂L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，整體代表Encoder；右邊一側Output（輸出）
，看完但我們肯定還不能丟掉原始信息
。别人層數越多 、吹年

但這其實也是一個 超參（Hyperparameter） 。

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 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。encoder 、防止模型從未來抄答案。卻很少有人能真正地說清楚。

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 ，仿佛人人都可以講些相關名詞出來
 ，更抽象的特征表達 ，隻解讀圖表 ，揭開 ChatGPT
、

這就是單一的 Self-Attention。整體代表Decoder
。

又暈了
？其實通俗來講就是：Attention 負責找關係 ，輸出 "我愛你"。直接抄就可以啊，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，旨在讓更多讀者看完就能通俗地 、用於後續計算。

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，

sin/cos 位置編碼乍一看有點數學味
，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，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，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。問 
  ：
  “你跟我有多相關？”

  打分越高，理解力越強
  。“你”、可能主要關注輸入的 "Love"

• 生成 "你" 時 ，但也是理解後麵一切的起點。什麽自注意力機製啊 、而不僅僅是做簡單的線性組合  。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，對這個信息進行更複雜、

  所以需要額外告訴模型 ：

  “這是第 1 個詞
  ，這層 Attention 是橋梁，

  也就是說它和上麵的 Shifted Right協同工作
  ，我們以翻譯任務為例：輸入 "I Love You"，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”
  ，從而真正理解它究竟為什麽如此火爆 。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，核心是 “從左到右，DeepSeek 背後的秘密，從更多視角掃描句子。Llama 都堆到了幾十層甚至上百層 。

  所以 ，已經成為當下所有大模型的基礎  。需要把每個詞轉換成一個向量 ，模型還是可以看到答案的一部分 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，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
  。

  05｜重複 N 次：論文是 6 層，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
  ，真正理解下 Transformer 究竟是何方神聖 。並在開頭加上起始符 ，連接輸入和輸出，

  一般來講，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，最後由FFN進行深度非線性變換以增強特征表達。每個詞被映射成一個向量  ，論文中的例子是並行開 8 個注意力頭 。起不到訓練效果 。

  成體係地給身邊其他人講清楚 Transformer 工作原理，因此模型本身無法“天然”感知詞的先後關係 。逐詞生成” 。共同確保了模型無法“偷看答案” 。

  

  注意力頭的數量是一個超參（Hyperparameter），

  ② Shifted Right
  ：防止模型“偷看答案”

  在模型訓練階段
  ，

  比如模型要開始做這張填空卷了。

  最終總結

  通過本文的講解，那一定要認識一下本文的主角 Transformer 。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
  ，就越關注這個詞 。“貓”這些詞 ，更深度的非線性變換 。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，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，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，模型越大 、下麵我們就來一步步通俗理解下這張架構圖的深層含義。但若深入追問細節，這樣模型才能表達更複雜的模式 ，把相關信息搜集到一起；

  FFN則負責深加工，就是下一個要生成的詞。FFN 負責提升表達力 。

  當提起 Transformer 這個話題時，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” 
  ，同時又不需要多餘的訓練成本。

  首先，Transformer憑借這一高度並行、可能主要關注輸入的 "I"

• 生成 "愛" 時，需要參考 Encoder 的輸出。得到“新含義” 。也能堆更多層。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。decoder什麽的
  ，

  今天我們就從這篇最初的論文出發，

  下圖是論文最後給出的一個簡單示例，讓每個詞清楚自己的“位置” 。

  圖的左邊一側Input（輸入），

  本文不討論公式，成為當今所有大語言模型的基石  ，需要把標準答案整體右移一位，其工作嚴格遵循架構圖右側流程，向量化這一步非常基礎，描述了針對同一段文字
  ，每個注意力頭可以關注不同的視角 ，後麵這個字是啥，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” ，

③ Masked Multi-Head Attention ：遮住未來

有同學說了
，但對模型來說是非常簡單高效的 。讓 Transformer 能分辨詞的“位置”，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 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

後來的 BERT、

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，並再次經過Add & Norm
 。GPT 、

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

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 。

同樣通過一個FFN網絡進行深度加工，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。也就是一組數字 ，

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 ，

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、