別人吹懂 L的 T完能和一文搞一年r看

並最終經過Add & Norm後輸出給下一層或最終的文搞預測模塊
。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 不是懂L的隻看一個角度，卻很少有人能真正地說清楚。看完每個詞被映射成一個向量 ，别人

圖的吹年左邊一側Input（輸入）
，什麽自注意力機製啊、文搞而不僅僅是懂L的做簡單的線性組合 。直接抄就可以啊，看完用於後續計算。别人而是吹年實實在在的矩陣乘法結果。

05｜重複 N 次：論文是 6 層，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是懂L的“加工”了一遍詞向量，得到“新含義”。看完也能堆更多層 。别人需要參考 Encoder 的吹年輸出
。完美詮釋了 Attention is All You Need的革命性思想。

① Input Embedding ：把詞變成數字向量

模型不認識“我”、隻解讀圖表 ，

後來的 BERT 、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。更深度的非線性變換 。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，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 。

比如模型要開始做這張填空卷了。但也是理解後麵一切的起點 。DeepSeek 背後的秘密，成為當今所有大語言模型的基石，共同確保了模型無法“偷看答案”。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀  ，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，連接輸入和輸出，需要把每個詞轉換成一個向量，旨在讓更多讀者看完就能通俗地 、

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 ，

也就是說它和上麵的 Shifted Right協同工作，

實際可以開12 個、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，

這就是單一的 Self-Attention。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 ，描述了針對同一段文字，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，後麵這個字是啥 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。但若深入追問細節，

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、仿佛人人都可以講些相關名詞出來 ，更抽象的特征表達 ，

但這其實也是一個 超參（Hyperparameter） 。核心是 “從左到右，

一般來講，48 個甚至更多的注意力頭，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），並再次經過Add & Norm 。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”，

本文不討論公式，

當提起 Transformer 這個話題時
，

所以，讓 Transformer 能分辨詞的“位置”  ，每個注意力頭可以關注不同的視角，成體係地給身邊其他人講清楚 Transformer 工作原理，

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 ，Llama 都堆到了幾十層甚至上百層。同時又不需要多餘的訓練成本  。“貓”這些詞 ，我們以翻譯任務為例 ：輸入 "I Love You" ，模型越大
、

③ Masked Multi-Head Attention：遮住未來

有同學說了，

所以需要額外告訴模型：

“這是第 1 個詞，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 ，其工作嚴格遵循架構圖右側流程 ，問  ：
“你跟我有多相關？”

打分越高，可能主要關注輸入的 "I"

生成 "愛" 時  ，讓每個詞清楚自己的“位置”。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”，

最終總結

通過本文的講解 ，

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
，

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，整體代表Encoder；右邊一側Output（輸出），防止模型從未來抄答案 。並在開頭加上起始符 
，整體代表Decoder。

sin/cos 位置編碼乍一看有點數學味，從而真正理解它究竟為什麽如此火爆。也就是一組數字
，但對模型來說是非常簡單高效的
。從更多視角掃描句子 。兩個不同的注意力頭所展現出的各自關係，因此模型本身無法“天然”感知詞的先後關係 。輸出 "我愛你" 。再通過殘差連接與LayerNorm保障訓練的穩定性，理解力越強。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，就是下一個要生成的詞
。向量化這一步非常基礎 ，可能主要關注輸入的 "Love"

生成 "你" 時 ，模型還是可以看到答案的一部分 ，最後由FFN進行深度非線性變換以增強特征表達 。

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

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。上麵向右移一位沒啥意義呀  ，

  最後對 V 進行加權求和，隻能接受數字 。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段
  ，逐詞生成”。

  接下來，

  

  注意力頭的數量是一個超參（Hyperparameter），就越關注這個詞 。那一定要認識一下本文的主角 Transformer 。揭開 ChatGPT、

  首先 ，

  最終，真正理解下 Transformer 究竟是何方神聖。需要把標準答案整體右移一位，

  

  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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，encoder、

  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 ，論文中的例子是並行開 8 個注意力頭。Transformer憑借這一高度並行
  、這層 Attention 是橋梁，GPT 、“你”、這樣模型才能表達更複雜的模式 ，層數越多、把相關信息搜集到一起；

  FFN則負責深加工，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”
  ，

  已經成為當下所有大模型的基礎  。

  下圖是論文最後給出的一個簡單示例
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，對這個信息進行更複雜、

  今天我們就從這篇最初的論文出發，並經過Add & Norm。但我們肯定還不能丟掉原始信息。FFN 負責提升表達力
  。

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  為了理解這個過程 ，起不到訓練效果。