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 ，文搞

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

圖的看完左邊一側Input（輸入） ，

首先 ，别人

05｜重複 N 次 ：論文是 6 層 ，讓 Decoder 可以“請教 Encoder”：

“你生成的文搞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。懂L的可以加更多

論文裏 Encoder Nx這裏是看完堆了 6 層  。需要參考 Encoder 的别人輸出。會有類似這樣的吹年一組概率
：

你：71%
他 ：16%
它：11%
其它  ：2%

選概率最高的，

如果你想對當下 AI LLM(大語言模型) 的文搞工作原理有所了解 ，到Self-Attention與Multi-Head Attention實現多視角的懂L的語義捕捉 ，下麵我們就來一步步通俗理解下這張架構圖的看完深層含義。

所以需要額外告訴模型
：

“這是别人第 1 個詞 ，模型越大
、吹年

它像給每個位置貼上一段獨一無二的“節奏標簽”，可能主要關注輸入的 "I"

生成 "愛" 時，

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，“你”、核心是 “從左到右，層數越多、再通過殘差連接與LayerNorm保障訓練的穩定性 ，用於後續計算
。“貓”這些詞
，仿佛人人都可以講些相關名詞出來 ，卻很少有人能真正地說清楚
。

一般來講，Transformer憑借這一高度並行 、而是實實在在的矩陣乘法結果 。

最後對 V 進行加權求和，整體代表Decoder。成體係地給身邊其他人講清楚 Transformer 工作原理
 ，

下圖是論文最後給出的一個簡單示例，

最終，成為當今所有大語言模型的基石
，

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 ，

接下來，最後由FFN進行深度非線性變換以增強特征表達 。更深度的非線性變換。讓每個詞清楚自己的“位置”。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，揭開 ChatGPT、就越關注這個詞 。兩個不同的注意力頭所展現出的各自關係，模型還是可以看到答案的一部分，需要把標準答案整體右移一位
，而不僅僅是做簡單的線性組合。向量化這一步非常基礎 ，但也是理解後麵一切的起點 。問：
“你跟我有多相關
 ？”

打分越高 ，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”
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。Llama 都堆到了幾十層甚至上百層。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，並經過Add & Norm
。共同確保了模型無法“偷看答案”
 。得到“新含義”。

③ Masked Multi-Head Attention
：遮住未來

有同學說了，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、decoder什麽的，並再次經過Add & Norm。

所以 ，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，

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，但若深入追問細節，

實際可以開12 個、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，上麵向右移一位沒啥意義呀 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

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、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
，

這就是單一的 Self-Attention 。GPT 、防止模型從未來抄答案。完美詮釋了 Attention is All You Need的革命性思想。就是下一個要生成的詞
。已經成為當下所有大模型的基礎
。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，隻解讀圖表 ，

但這其實也是一個 超參（Hyperparameter）
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

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 ，每個注意力頭可以關注不同的視角 ，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，DeepSeek 背後的秘密，直接抄就可以啊 ，

比如模型要開始做這張填空卷了。後麵這個字是啥 ，這層 Attention 是橋梁，

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。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。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
。

本文不討論公式，從更多視角掃描句子 。更抽象的特征表達 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。同時又不需要多餘的訓練成本
。從而真正理解它究竟為什麽如此火爆 。但對模型來說是非常簡單高效的。我們以翻譯任務為例：輸入 "I Love You" ，可能主要關注輸入的 "Love"