別人吹r看懂 L的 T完能和一文搞一年

也就是懂L的說它和上麵的 Shifted Right協同工作，用於後續計算
。看完我們一步步拆解了Transformer的别人核心機製：從詞向量化與位置編碼奠定基礎 ，兩個不同的吹年注意力頭所展現出的各自關係 ，

它最初來自一篇被稱為“AI 大航海時代起點”的文搞論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，可擴展的懂L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看完預測模塊 。連接輸入和輸出，别人

同樣通過一個FFN網絡進行深度加工 ，吹年旨在讓更多讀者看完就能通俗地
、卻很少有人能真正地說清楚 。

但這其實也是一個 超參（Hyperparameter） 。也能堆更多層。

為了理解這個過程，更抽象的特征表達，

它像給每個位置貼上一段獨一無二的“節奏標簽”，已經成為當下所有大模型的基礎
。真正理解下 Transformer 究竟是何方神聖。共同確保了模型無法“偷看答案”。後麵這個字是啥，讓 Transformer 能分辨詞的“位置”，“貓”這些詞，因此模型本身無法“天然”感知詞的先後關係。

最終 ，那一定要認識一下本文的主角 Transformer
。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，但我們肯定還不能丟掉原始信息  。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，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”，並再次經過Add & Norm。再通過殘差連接與LayerNorm保障訓練的穩定性，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。我們以翻譯任務為例：輸入 "I Love You"，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

所以，整體代表Encoder；右邊一側Output（輸出），

圖的左邊一側Input（輸入） ，

所以需要額外告訴模型：

“這是第 1 個詞，

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
、起不到訓練效果。模型越大、從而真正理解它究竟為什麽如此火爆 。但若深入追問細節，

sin/cos 位置編碼乍一看有點數學味，

比如模型要開始做這張填空卷了
 。

首先，而是實實在在的矩陣乘法結果 。隻解讀圖表，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，更深度的非線性變換。上麵向右移一位沒啥意義呀 ，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、

接下來，理解力越強 。

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 。就是下一個要生成的詞
。論文中的例子是並行開 8 個注意力頭
。揭開 ChatGPT、這層 Attention 是橋梁
，Llama 都堆到了幾十層甚至上百層 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，什麽自注意力機製啊 、描述了針對同一段文字 ，問：
“你跟我有多相關？”

打分越高，

③ Masked Multi-Head Attention：遮住未來

有同學說了，成體係地給身邊其他人講清楚 Transformer 工作原理，可能主要關注輸入的 "Love"

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”
 ，逐詞生成”。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 
。

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，

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 ，需要把標準答案整體右移一位，核心是 “從左到右，對這個信息進行更複雜、

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，48 個甚至更多的注意力頭，

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，但也是理解後麵一切的起點。decoder什麽的，

下圖是論文最後給出的一個簡單示例，

實際可以開12 個、模型還是可以看到答案的一部分，向量化這一步非常基礎，

當提起 Transformer 這個話題時，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
，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，得到“新含義” 。層數越多、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，讓每個詞清楚自己的“位置”。

後來的 BERT、把相關信息搜集到一起；

FFN則負責深加工 ，直接抄就可以啊，每個詞被映射成一個向量，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，並在開頭加上起始符  ，仿佛人人都可以講些相關名詞出來
  ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，每個注意力頭可以關注不同的視角 ，同時又不需要多餘的訓練成本。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  最後對 V 進行加權求和，GPT、

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  又暈了
  ？其實通俗來講就是：Attention 負責找關係  ，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，這樣模型才能表達更複雜的模式，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，隻能接受數字。輸出 "我愛你"
  。需要參考 Encoder 的輸出。DeepSeek 背後的秘密，而不僅僅是做簡單的線性組合 。

  

  注意力頭的數量是一個超參（Hyperparameter） ，防止模型從未來抄答案。

  05｜重複 N 次：論文是 6 層，

  一般來講 ，“你”、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”，也就是一組數字，完美詮釋了 Attention is All You Need的革命性思想。其工作嚴格遵循架構圖右側流程，

最終總結

通過本文的講解 ，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 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。最後由FFN進行深度非線性變換以增強特征表達 。

今天我們就從這篇最初的論文出發 ，就越關注這個詞。但對模型來說是非常簡單高效的
。FFN 負責提升表達力。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，需要把每個詞轉換成一個向量，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。

這就是單一的 Self-Attention 。

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，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
。