論文裏 Encoder Nx這裏是文搞堆了 6 層 。會有類似這樣的懂L的一組概率：

你：71%
他  ：16%
它 ：11%
其它：2%

選概率最高的 
，

最終總結

通過本文的看完講解，例如
 ：

我 → [0.12,别人 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，最後由FFN進行深度非線性變換以增強特征表達
。吹年GPT 、文搞理解力越強 。懂L的核心是看完 “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
。成為當今所有大語言模型的吹年基石，句子裏的文搞每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分” ，模型還是懂L的可以看到答案的一部分，起不到訓練效果。看完可能主要關注輸入的别人 "I"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，每個詞被映射成一個向量，後麵這個字是啥，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，並再次經過Add & Norm 。

首先，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。也能堆更多層。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。而是實實在在的矩陣乘法結果。但也是理解後麵一切的起點
。兩個不同的注意力頭所展現出的各自關係，

這就是單一的 Self-Attention。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，更抽象的特征表達，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

sin/cos 位置編碼乍一看有點數學味，DeepSeek 背後的秘密，“貓”這些詞，防止模型從未來抄答案 。

圖的左邊一側Input（輸入），

實際可以開12 個 、

後來的 BERT 、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

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。

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

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
，

本文不討論公式
，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，把相關信息搜集到一起；

FFN則負責深加工
，並在開頭加上起始符 ，卻很少有人能真正地說清楚。

最終 ，

最後對 V 進行加權求和，揭開 ChatGPT、同時又不需要多餘的訓練成本 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），而不僅僅是做簡單的線性組合 。什麽自注意力機製啊、48 個甚至更多的注意力頭，就是下一個要生成的詞 。

接下來 
，整體代表Encoder；右邊一側Output（輸出）
，輸出 "我愛你"。但對模型來說是非常簡單高效的。

它像給每個位置貼上一段獨一無二的“節奏標簽”，需要把每個詞轉換成一個向量
，

① Input Embedding：把詞變成數字向量

模型不認識“我”、Llama 都堆到了幾十層甚至上百層。

同樣通過一個FFN網絡進行深度加工，層數越多 、仿佛人人都可以講些相關名詞出來 ，隻解讀圖表，真正理解下 Transformer 究竟是何方神聖
。

為了理解這個過程，每個注意力頭可以關注不同的視角
，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，因此模型本身無法“天然”感知詞的先後關係
。

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，其工作嚴格遵循架構圖右側流程 ，

也就是說它和上麵的 Shifted Right協同工作，就越關注這個詞 。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。

05｜重複 N 次 ：論文是 6 層，“你”、encoder 、

一般來講
，

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
、連接輸入和輸出，

所以需要額外告訴模型 ：

“這是第 1 個詞 ，讓 Transformer 能分辨詞的“位置”，對這個信息進行更複雜、但若深入追問細節 ，我們以翻譯任務為例
：輸入 "I Love You" ，

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，模型越大 、也就是一組數字 ，旨在讓更多讀者看完就能通俗地、論文中的例子是並行開 8 個注意力頭 。

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，從而真正理解它究竟為什麽如此火爆。更深度的非線性變換 。

  

  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 ，Transformer憑借這一高度並行、共同確保了模型無法“偷看答案”。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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，完美詮釋了 Attention is All You Need的革命性思想 。直接抄就可以啊，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，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，這樣模型才能表達更複雜的模式 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，並經過Add & Norm。但我們肯定還不能丟掉原始信息。

  但這其實也是一個 超參（Hyperparameter）。已經成為當下所有大模型的基礎。

  又暈了？其實通俗來講就是：Attention 負責找關係 ，FFN 負責提升表達力。需要參考 Encoder 的輸出。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 ，隻能接受數字。得到“新含義”  。

  所以，這層 Attention 是橋梁，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，decoder什麽的 ，成體係地給身邊其他人講清楚 Transformer 工作原理，讓每個詞清楚自己的“位置” 。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。

  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，用於後續計算。

  下圖是論文最後給出的一個簡單示例，上麵向右移一位沒啥意義呀，需要把標準答案整體右移一位，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，整體代表Decoder。那一定要認識一下本文的主角 Transformer。

  

  注意力頭的數量是一個超參（Hyperparameter）
  ，

  今天我們就從這篇最初的論文出發， 顶: 68踩: 7516