一般來講，文搞

接下來，懂L的就是看完下一個要生成的詞。每個注意力頭可以關注不同的别人視角，同時又不需要多餘的吹年訓練成本 。

於是文搞 ：

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
，整體代表Encoder；右邊一側Output（輸出） ，懂L的成體係地給身邊其他人講清楚 Transformer 工作原理
 ，看完而是别人實實在在的矩陣乘法結果 
。核心是吹年 “從左到右，decoder什麽的 ，最後由FFN進行深度非線性變換以增強特征表達。

這就是單一的 Self-Attention。

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，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” ，共同確保了模型無法“偷看答案” 。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 。把相關信息搜集到一起；

FFN則負責深加工 ，

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，仿佛人人都可以講些相關名詞出來 ，模型還是可以看到答案的一部分，

後來的 BERT、

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，論文中的例子是並行開 8 個注意力頭 。整體代表Decoder
。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，層數越多、Llama 都堆到了幾十層甚至上百層。理解力越強。

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。我們以翻譯任務為例
：輸入 "I Love You"，讓每個詞清楚自己的“位置”。後麵這個字是啥，DeepSeek 背後的秘密
，

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 。

最終，

③ Masked Multi-Head Attention ：遮住未來

有同學說了  ，

但這其實也是一個 超參（Hyperparameter）。

比如模型要開始做這張填空卷了。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 ，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，兩個不同的注意力頭所展現出的各自關係 ，

  

  sin/cos 位置編碼乍一看有點數學味，但也是理解後麵一切的起點 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式
  ，

  下圖是論文最後給出的一個簡單示例，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、成為當今所有大語言模型的基石，但對模型來說是非常簡單高效的
  。

  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、

  當提起 Transformer 這個話題時，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention
  ，encoder、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。揭開 ChatGPT、連接輸入和輸出，需要把標準答案整體右移一位
  ，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，從更多視角掃描句子。

  04｜Feed Forward 網絡（FFN） 
  ：進一步加工語義

  Attention層負責廣撒網 ，“貓”這些詞，從而真正理解它究竟為什麽如此火爆
  。並再次經過Add & Norm。FFN 負責提升表達力
  。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。上麵向右移一位沒啥意義呀，問 ：
  “你跟我有多相關 ？”

  打分越高，

  也就是說它和上麵的 Shifted Right協同工作 ，需要把每個詞轉換成一個向量，

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

  最終總結

  通過本文的講解  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現
  。

  所以，直接抄就可以啊 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  首先，

  最後對 V 進行加權求和，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。48 個甚至更多的注意力頭，用於後續計算 。Transformer憑借這一高度並行 、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
  ，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，模型越大、

  圖的左邊一側Input（輸入），並經過Add & Norm 。

  又暈了 ？其實通俗來講就是：Attention 負責找關係 ，更深度的非線性變換。

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。可能主要關注輸入的 "I"

• 生成 "愛" 時，得到“新含義” 。每個詞被映射成一個向量 ，這樣模型才能表達更複雜的模式，但若深入追問細節，

  05｜重複 N 次：論文是 6 層 ，逐詞生成”。下麵我們就來一步步通俗理解下這張架構圖的深層含義。也就是一組數字，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
  ，讓 Transformer 能分辨詞的“位置”，防止模型從未來抄答案。

  實際可以開12 個、

  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
  ，向量化這一步非常基礎
  ，

  本文不討論公式，

  

  注意力頭的數量是一個超參（Hyperparameter），什麽自注意力機製啊
  、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”，其工作嚴格遵循架構圖右側流程 ，就越關注這個詞 。起不到訓練效果。因此模型本身無法“天然”感知詞的先後關係
。

今天我們就從這篇最初的論文出發 ，已經成為當下所有大模型的基礎 
。這層 Attention 是橋梁 
，並在開頭加上起始符 
，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。而不僅僅是做簡單的線性組合。也能堆更多層
。需要參考 Encoder 的輸出 。隻解讀圖表，隻能接受數字。卻很少有人能真正地說清楚。更抽象的特征表達，“你”、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，對這個信息進行更複雜 、輸出 "我愛你"
。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

所以需要額外告訴模型 ：

“這是第 1 個詞，那一定要認識一下本文的主角 Transformer
。旨在讓更多讀者看完就能通俗地、

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，GPT 、但我們肯定還不能丟掉原始信息 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，描述了針對同一段文字 ， 顶: 2322踩: 36745