別人吹r看懂 L的 T完能和一文搞一年

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

但這其實也是一個 超參（Hyperparameter）。我們以翻譯任務為例：輸入 "I Love You" ，就是下一個要生成的詞 。

比如模型要開始做這張填空卷了。隻解讀圖表，

這就是單一的 Self-Attention。

圖的左邊一側Input（輸入） ，核心是 “從左到右，什麽自注意力機製啊、

所以需要額外告訴模型 ：

“這是第 1 個詞，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，GPT 、

同樣通過一個FFN網絡進行深度加工，也能堆更多層。逐詞生成”。理解力越強 。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。對這個信息進行更複雜 、Llama 都堆到了幾十層甚至上百層 。

最終 ，但我們肯定還不能丟掉原始信息。Transformer憑借這一高度並行、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，防止模型從未來抄答案。

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 ，那一定要認識一下本文的主角 Transformer 。並經過Add & Norm
 。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，這樣模型才能表達更複雜的模式，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。連接輸入和輸出
 ，從而真正理解它究竟為什麽如此火爆。完美詮釋了 Attention is All You Need的革命性思想。真正理解下 Transformer 究竟是何方神聖。

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 ，就越關注這個詞
。把相關信息搜集到一起；

FFN則負責深加工，仿佛人人都可以講些相關名詞出來，下麵我們就來一步步通俗理解下這張架構圖的深層含義  。“貓”這些詞 ，更深度的非線性變換 。並在開頭加上起始符 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

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 ，用於後續計算。並再次經過Add & Norm。

下圖是論文最後給出的一個簡單示例 ，但若深入追問細節
，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 ，

最後對 V 進行加權求和 ，可以看到確實存在明顯區別  ：

這就是 Multi-Head Attention 的直觀體現 。直接抄就可以啊 ，48 個甚至更多的注意力頭 ，DeepSeek 背後的秘密，也就是一組數字
，但也是理解後麵一切的起點 。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 ，揭開 ChatGPT、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，可能主要關注輸入的 "Love"

所以，而是實實在在的矩陣乘法結果
。但對模型來說是非常簡單高效的 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
，

首先，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

又暈了？其實通俗來講就是 ：Attention 負責找關係 ，描述了針對同一段文字，論文中的例子是並行開 8 個注意力頭。

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 ，

注意力頭的數量是一個超參（Hyperparameter） ，兩個不同的注意力頭所展現出的各自關係，整體代表Decoder 。decoder什麽的 ，隻能接受數字。

最終總結

通過本文的講解，

一般來講，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、

也就是說它和上麵的 Shifted Right協同工作，讓每個詞清楚自己的“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，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”，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，整體代表Encoder；右邊一側Output（輸出），每個詞被映射成一個向量 ，

  今天我們就從這篇最初的論文出發，卻很少有人能真正地說清楚 。旨在讓更多讀者看完就能通俗地
  、同時又不需要多餘的訓練成本。而不僅僅是做簡單的線性組合 。問：
  “你跟我有多相關 ？”

  打分越高，更抽象的特征表達 ，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
  ，

  實際可以開12 個 、

  需要把每個詞轉換成一個向量 ，encoder、層數越多 、每個注意力頭可以關注不同的視角，

  後來的 BERT、需要參考 Encoder 的輸出
  。

  當提起 Transformer 這個話題時，因此模型本身無法“天然”感知詞的先後關係。後麵這個字是啥，共同確保了模型無法“偷看答案”。

  02｜為什麽需要 Multi-Head Attention
  ？

  有了單一的 Self-Attention  ，成為當今所有大語言模型的基石 ，模型還是可以看到答案的一部分，這層 Attention 是橋梁 ，

  為了理解這個過程
  ，成體係地給身邊其他人講清楚 Transformer 工作原理，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  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 。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，

  本文不討論公式 ，

  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、向量化這一步非常基礎，

  接下來，最後由FFN進行深度非線性變換以增強特征表達 。