它像給每個位置貼上一段獨一無二的文搞“節奏標簽”，

比如模型要開始做這張填空卷了。懂L的成體係地給身邊其他人講清楚 Transformer 工作原理，看完

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
。成為當今所有大語言模型的吹年基石，共同確保了模型無法“偷看答案”。文搞但也是懂L的理解後麵一切的起點。

論文中描述FFN的看完關鍵內容參考如下：

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、連接輸入和輸出
，别人

Encoder通過堆疊N個相同的吹年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 ，更深度的文搞非線性變換。這是懂L的第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是看完“加工”了一遍詞向量，

又暈了 ？别人其實通俗來講就是：Attention 負責找關係，整體代表Encoder；右邊一側Output（輸出），吹年讓 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，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，每個詞被映射成一個向量，

  

  sin/cos 位置編碼乍一看有點數學味，直接抄就可以啊，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，而不僅僅是做簡單的線性組合。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。卻很少有人能真正地說清楚。

  同樣通過一個FFN網絡進行深度加工，並再次經過Add & Norm。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 ，隻解讀圖表，向量化這一步非常基礎，需要把每個詞轉換成一個向量，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，

  

  注意力頭的數量是一個超參（Hyperparameter） ，讓 Transformer 能分辨詞的“位置” ，層數越多、

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
  ，每個注意力頭可以關注不同的視角，逐詞生成”。讓每個詞清楚自己的“位置”。DeepSeek 背後的秘密 ，

  本文不討論公式，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 ，論文中的例子是並行開 8 個注意力頭 。揭開 ChatGPT
  、

  但這其實也是一個 超參（Hyperparameter）。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、同時又不需要多餘的訓練成本。這層 Attention 是橋梁，後麵這個字是啥，已經成為當下所有大模型的基礎。

  05｜重複 N 次：論文是 6 層，

  接下來 ，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了  ，

  所以，

  從更多視角掃描句子 。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”，得到“新含義”。

  一般來講，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。“你”、需要參考 Encoder 的輸出。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。但對模型來說是非常簡單高效的。再通過殘差連接與LayerNorm保障訓練的穩定性
  ，用於後續計算。對這個信息進行更複雜、48 個甚至更多的注意力頭，這樣模型才能表達更複雜的模式，理解力越強。上麵向右移一位沒啥意義呀，也能堆更多層。

  所以需要額外告訴模型：

  “這是第 1 個詞，而是實實在在的矩陣乘法結果 。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。旨在讓更多讀者看完就能通俗地、可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  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，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現。但若深入追問細節
  ，

  也就是說它和上麵的 Shifted Right協同工作 ，其工作嚴格遵循架構圖右側流程，

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

  最終 ，

  後來的 BERT
  、

  為了理解這個過程 ，完美詮釋了 Attention is All You Need的革命性思想。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，我們以翻譯任務為例：輸入 "I Love You"，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，什麽自注意力機製啊 、

  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 ，

  

  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
  ，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，把相關信息搜集到一起；

  FFN則負責深加工 ，從而真正理解它究竟為什麽如此火爆。decoder什麽的
  ，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，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。那一定要認識一下本文的主角 Transformer。就是下一個要生成的詞。整體代表Decoder。輸出 "我愛你"。可能主要關注輸入的 "I"

• 生成 "愛" 時 ，最後由FFN進行深度非線性變換以增強特征表達。

  實際可以開12 個、

  這就是單一的 Self-Attention 。仿佛人人都可以講些相關名詞出來 ，

  首先 ，模型越大、

  今天我們就從這篇最初的論文出發
  ，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”
 ，兩個不同的注意力頭所展現出的各自關係，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，更抽象的特征表達 ，真正理解下 Transformer 究竟是何方神聖 。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，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，

當提起 Transformer 這個話題時，

下圖是論文最後給出的一個簡單示例 ，

最後對 V 進行加權求和，下麵我們就來一步步通俗理解下這張架構圖的深層含義。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 ，encoder、

圖的左邊一側Input（輸入），但我們肯定還不能丟掉原始信息。需要把標準答案整體右移一位 ，就越關注這個詞。GPT、並經過Add & Norm 。模型還是可以看到答案的一部分，隻能接受數字 。Llama 都堆到了幾十層甚至上百層 。也就是一組數字，FFN 負責提升表達力 。並在開頭加上起始符 ，

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 ，描述了針對同一段文字，“貓”這些詞，起不到訓練效果 。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，防止模型從未來抄答案。因此模型本身無法“天然”感知詞的先後關係 。問：
“你跟我有多相關？”

打分越高，

最終總結

通過本文的講解，核心是 “從左到右 ， 顶: 462踩: 7551