別人吹懂 L的 T完能和一文搞一年r看

描述了針對同一段文字 ，文搞我們以翻譯任務為例
：輸入 "I Love You"，懂L的問 ：
“你跟我有多相關
？看完”

打分越高，整體代表Decoder。别人

此時就需要 Masked Multi-Head Attention功能來遮住未預測的吹年詞  ，而不僅僅是文搞做簡單的線性組合。更深度的懂L的非線性變換。再通過殘差連接與LayerNorm保障訓練的看完穩定性，揭開 ChatGPT 、别人

今天我們就從這篇最初的吹年論文出發，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 不是文搞隻看一個角度，GPT、懂L的

所以需要額外告訴模型：

“這是看完第 1 個詞，

在Multi-Head Attention（即論文中的别人Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，“貓”這些詞 ，吹年並在開頭加上起始符 ，同時又不需要多餘的訓練成本。更抽象的特征表達，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，每個注意力頭可以關注不同的視角 ，encoder 、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”，

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，decoder什麽的，

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、逐詞生成”。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

注意力頭的數量是一個超參（Hyperparameter），也就是一組數字，讓 Transformer 能分辨詞的“位置”，最後由FFN進行深度非線性變換以增強特征表達。“你” 、

首先 ，

所以，

當提起 Transformer 這個話題時 ，

一般來講，就是下一個要生成的詞。

比如模型要開始做這張填空卷了 。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  。需要把標準答案整體右移一位 ，但也是理解後麵一切的起點。輸出 "我愛你"。48 個甚至更多的注意力頭，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，仿佛人人都可以講些相關名詞出來，成體係地給身邊其他人講清楚 Transformer 工作原理
，從而真正理解它究竟為什麽如此火爆。隻解讀圖表 ，就越關注這個詞
。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 ，

最後對 V 進行加權求和，什麽自注意力機製啊、需要把每個詞轉換成一個向量，已經成為當下所有大模型的基礎
。那一定要認識一下本文的主角 Transformer 。

這就是單一的 Self-Attention。並經過Add & Norm。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，得到“新含義”。論文中的例子是並行開 8 個注意力頭。

圖的左邊一側Input（輸入） ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。連接輸入和輸出 ，真正理解下 Transformer 究竟是何方神聖。向量化這一步非常基礎
 ，

本文不討論公式，

接下來，也能堆更多層 。

也就是說它和上麵的 Shifted Right協同工作
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，但對模型來說是非常簡單高效的 。起不到訓練效果。

③ Masked Multi-Head Attention：遮住未來

有同學說了，而是實實在在的矩陣乘法結果。

① Input Embedding：把詞變成數字向量

模型不認識“我”、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
，理解力越強。這樣模型才能表達更複雜的模式，並再次經過Add & Norm。成為當今所有大語言模型的基石，整體代表Encoder；右邊一側Output（輸出），模型還是可以看到答案的一部分 ，防止模型從未來抄答案 。但若深入追問細節
，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 ，

後來的 BERT、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，讓每個詞清楚自己的“位置”。共同確保了模型無法“偷看答案” 。

  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，卻很少有人能真正地說清楚。從更多視角掃描句子 。每個詞被映射成一個向量，旨在讓更多讀者看完就能通俗地、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 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，需要參考 Encoder 的輸出。DeepSeek 背後的秘密，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”，其工作嚴格遵循架構圖右側流程，模型越大 、因此模型本身無法“天然”感知詞的先後關係
  。

  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 ，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention 
  ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解  ，

  下圖是論文最後給出的一個簡單示例，

  

  sin/cos 位置編碼乍一看有點數學味，

  最終總結

  通過本文的講解，

  同樣通過一個FFN網絡進行深度加工 ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  為了理解這個過程，

  05｜重複 N 次：論文是 6 層，

  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。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層  。層數越多、直接抄就可以啊，用於後續計算 。

  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，上麵向右移一位沒啥意義呀，完美詮釋了 Attention is All You Need的革命性思想。隻能接受數字。

  又暈了 ？其實通俗來講就是
  ：Attention 負責找關係，兩個不同的注意力頭所展現出的各自關係，這層 Attention 是橋梁，Transformer憑借這一高度並行、核心是 “從左到右，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，對這個信息進行更複雜、

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一  。把相關信息搜集到一起；

FFN則負責深加工，

實際可以開12 個 、後麵這個字是啥
，但我們肯定還不能丟掉原始信息。Llama 都堆到了幾十層甚至上百層。

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，

最終，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。可能主要關注輸入的 "Love"