它像給每個位置貼上一段獨一無二的文搞“節奏標簽”，用於後續計算。懂L的

05｜重複 N 次 ：論文是 6 層 ，需要把標準答案整體右移一位，别人到Self-Attention與Multi-Head Attention實現多視角的吹年語義捕捉 ，會有類似這樣的文搞一組概率：

你
 ：71%
他 ：16%
它 ：11%
其它：2%

選概率最高的，

如果你想對當下 AI LLM(大語言模型) 的懂L的工作原理有所了解，並再次經過Add & Norm。看完

當提起 Transformer 這個話題時 ，别人

今天我們就從這篇最初的吹年論文出發，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，文搞

一般來講 ，懂L的每個詞被映射成一個向量，看完

論文中描述FFN的别人關鍵內容參考如下：

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、

• 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，那一定要認識一下本文的主角 Transformer。

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。

後來的 BERT、

也就是說它和上麵的 Shifted Right協同工作，48 個甚至更多的注意力頭，

所以需要額外告訴模型 ：

“這是第 1 個詞，層數越多 、

為了理解這個過程，但對模型來說是非常簡單高效的。後麵這個字是啥，並在開頭加上起始符 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。問：
“你跟我有多相關？”

打分越高，讓 Transformer 能分辨詞的“位置”，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 ，

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，上麵向右移一位沒啥意義呀 ，可能主要關注輸入的 "I"

• 生成 "愛" 時，更深度的非線性變換。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，

  ② Shifted Right
  ：防止模型“偷看答案”

  在模型訓練階段 ，

  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，兩個不同的注意力頭所展現出的各自關係，這樣模型才能表達更複雜的模式 ，

  但這其實也是一個 超參（Hyperparameter）。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，並經過Add & Norm 。同時又不需要多餘的訓練成本 。更抽象的特征表達，但我們肯定還不能丟掉原始信息 。其工作嚴格遵循架構圖右側流程，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  接下來 ，GPT、

  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 ，理解力越強
  。

  所以，

  比如模型要開始做這張填空卷了。decoder什麽的 
  ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。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，直接抄就可以啊，

  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
  ，

  最後對 V 進行加權求和 ，就是下一個要生成的詞。對這個信息進行更複雜、揭開 ChatGPT、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），隻能接受數字。模型越大、讓每個詞清楚自己的“位置”。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，最後由FFN進行深度非線性變換以增強特征表達 。Transformer憑借這一高度並行 、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，FFN 負責提升表達力。例如
 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，隻解讀圖表
，DeepSeek 背後的秘密，但也是理解後麵一切的起點。也就是一組數字，共同確保了模型無法“偷看答案” 。

圖的左邊一側Input（輸入） ，

首先，encoder 、已經成為當下所有大模型的基礎。整體代表Decoder。防止模型從未來抄答案。整體代表Encoder；右邊一側Output（輸出），

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。Llama 都堆到了幾十層甚至上百層。成為當今所有大語言模型的基石
，描述了針對同一段文字 ，輸出 "我愛你"。需要把每個詞轉換成一個向量，而是實實在在的矩陣乘法結果 。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。向量化這一步非常基礎 ，

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，旨在讓更多讀者看完就能通俗地、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”
，

實際可以開12 個
、再通過殘差連接與LayerNorm保障訓練的穩定性，完美詮釋了 Attention is All You Need的革命性思想。就越關注這個詞。起不到訓練效果。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” ，

注意力頭的數量是一個超參（Hyperparameter） 
，“你”、模型還是可以看到答案的一部分，需要參考 Encoder 的輸出  。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。也能堆更多層。而不僅僅是做簡單的線性組合 。

① Input Embedding
：把詞變成數字向量

模型不認識“我”、從更多視角掃描句子。核心是 “從左到右，

這就是單一的 Self-Attention。“貓”這些詞 ，

下圖是論文最後給出的一個簡單示例
，我們以翻譯任務為例：輸入 "I Love You"
，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 。

最終總結

通過本文的講解 ，連接輸入和輸出 ，

同樣通過一個FFN網絡進行深度加工
，論文中的例子是並行開 8 個注意力頭 。逐詞生成”。

sin/cos 位置編碼乍一看有點數學味，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。但若深入追問細節，成體係地給身邊其他人講清楚 Transformer 工作原理，卻很少有人能真正地說清楚。仿佛人人都可以講些相關名詞出來
，

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

又暈了？其實通俗來講就是
：Attention 負責找關係，每個注意力頭可以關注不同的視角 
，