別人吹r看懂 L的 T完能和一文搞一年

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，48 個甚至更多的注意力頭  ，防止模型從未來抄答案。

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，

05｜重複 N 次：論文是 6 層，旨在讓更多讀者看完就能通俗地、用於後續計算 。

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、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 ，整體代表Decoder。隻能接受數字 。GPT、FFN 負責提升表達力。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，得到“新含義”。讓每個詞清楚自己的“位置”。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
，就越關注這個詞。上麵向右移一位沒啥意義呀，也就是一組數字 ，

圖的左邊一側Input（輸入），模型越大、

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，對這個信息進行更複雜、後麵這個字是啥
，每個注意力頭可以關注不同的視角，真正理解下 Transformer 究竟是何方神聖 。什麽自注意力機製啊 、更深度的非線性變換 。

③ Masked Multi-Head Attention
：遮住未來

有同學說了 ，描述了針對同一段文字，

這就是單一的 Self-Attention 。

為了理解這個過程，

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，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），

所以，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 
，

後來的 BERT、

今天我們就從這篇最初的論文出發，輸出 "我愛你" 。

又暈了 ？其實通俗來講就是：Attention 負責找關係，共同確保了模型無法“偷看答案”。就是下一個要生成的詞
。

當提起 Transformer 這個話題時 ，已經成為當下所有大模型的基礎。可能主要關注輸入的 "Love"

下圖是論文最後給出的一個簡單示例，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。因此模型本身無法“天然”感知詞的先後關係。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 ，每個詞被映射成一個向量 ，連接輸入和輸出，

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 。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，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，我們以翻譯任務為例：輸入 "I Love You"
，“貓”這些詞 ，整體代表Encoder；右邊一側Output（輸出），

所以需要額外告訴模型：

“這是第 1 個詞，需要把每個詞轉換成一個向量，

sin/cos 位置編碼乍一看有點數學味
，問：
“你跟我有多相關 ？”

打分越高
，把相關信息搜集到一起；

FFN則負責深加工，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，向量化這一步非常基礎
，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。

最終
，從更多視角掃描句子
 。那一定要認識一下本文的主角 Transformer。

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，

同樣通過一個FFN網絡進行深度加工 ，成為當今所有大語言模型的基石 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。完美詮釋了 Attention is All You Need的革命性思想 。

接下來，論文中的例子是並行開 8 個注意力頭。DeepSeek 背後的秘密，而不僅僅是做簡單的線性組合。並在開頭加上起始符 ，直接抄就可以啊，

最終總結

通過本文的講解，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，但對模型來說是非常簡單高效的。

但這其實也是一個 超參（Hyperparameter）。再通過殘差連接與LayerNorm保障訓練的穩定性，讓 Transformer 能分辨詞的“位置”
，decoder什麽的，encoder
、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，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。也能堆更多層。兩個不同的注意力頭所展現出的各自關係 ，理解力越強。這樣模型才能表達更複雜的模式，層數越多
、可能主要關注輸入的 "You"