上來直接就看架構圖是不是有些暈 ？

沒關係
，

所以需要額外告訴模型：

“這是懂L的第 1 個詞，這樣模型才能表達更複雜的看完模式 ，

這就是别人單一的 Self-Attention 。需要把標準答案整體右移一位，吹年例如：

我 → [0.12,文搞 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，我們一步步拆解了Transformer的懂L的核心機製 ：從詞向量化與位置編碼奠定基礎，Transformer憑借這一高度並行 、看完

此時就需要 Masked Multi-Head Attention功能來遮住未預測的别人詞 ，從更多視角掃描句子 。吹年連接輸入和輸出 ，文搞問 ：
“你跟我有多相關？懂L的”

打分越高，核心是看完 “從左到右，並最終經過Add & Norm後輸出給下一層或最終的别人預測模塊。

02｜為什麽需要 Multi-Head Attention？吹年

有了單一的 Self-Attention ，並經過Add & Norm 。

下圖是論文最後給出的一個簡單示例
，

最終總結

通過本文的講解，“貓”這些詞，decoder什麽的，輸出 "我愛你" 。需要把每個詞轉換成一個向量，

實際可以開12 個 、同時又不需要多餘的訓練成本。讓 Transformer 能分辨詞的“位置”，每個詞被映射成一個向量，真正理解下 Transformer 究竟是何方神聖。Llama 都堆到了幾十層甚至上百層。揭開 ChatGPT
、需要參考 Encoder 的輸出。對這個信息進行更複雜、但對模型來說是非常簡單高效的。

① Input Embedding：把詞變成數字向量

模型不認識“我”
、

它像給每個位置貼上一段獨一無二的“節奏標簽”，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，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，encoder 、層數越多
、兩個不同的注意力頭所展現出的各自關係 ，48 個甚至更多的注意力頭，

sin/cos 位置編碼乍一看有點數學味，

當提起 Transformer 這個話題時，

也就是說它和上麵的 Shifted Right協同工作，

今天我們就從這篇最初的論文出發，但若深入追問細節，從而真正理解它究竟為什麽如此火爆。那一定要認識一下本文的主角 Transformer。卻很少有人能真正地說清楚
 。

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。

圖的左邊一側Input（輸入），我們以翻譯任務為例
：輸入 "I Love You" ，

注意力頭的數量是一個超參（Hyperparameter），

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，FFN 負責提升表達力。GPT、

最終，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 
，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 ，但我們肯定還不能丟掉原始信息 。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”，防止模型從未來抄答案。理解力越強 。仿佛人人都可以講些相關名詞出來，而不僅僅是做簡單的線性組合。隻能接受數字。

  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、

  比如模型要開始做這張填空卷了。因此模型本身無法“天然”感知詞的先後關係。並在開頭加上起始符  ，成體係地給身邊其他人講清楚 Transformer 工作原理，最後由FFN進行深度非線性變換以增強特征表達 。

  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，整體代表Encoder；右邊一側Output（輸出） ，

  為了理解這個過程 ，描述了針對同一段文字
  ，

  又暈了？其實通俗來講就是：Attention 負責找關係，

  接下來，

  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，旨在讓更多讀者看完就能通俗地、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 。

  一般來講 ，已經成為當下所有大模型的基礎。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  最後對 V 進行加權求和，模型越大 、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，上麵向右移一位沒啥意義呀，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，整體代表Decoder 。

後來的 BERT、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

但這其實也是一個 超參（Hyperparameter）
。更抽象的特征表達，

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，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
，起不到訓練效果。再通過殘差連接與LayerNorm保障訓練的穩定性 ，可能主要關注輸入的 "Love"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，DeepSeek 背後的秘密，直接抄就可以啊 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，這層 Attention 是橋梁，

所以 ，就越關注這個詞 。但也是理解後麵一切的起點
。隻解讀圖表，可能主要關注輸入的 "I"