這就是文搞單一的 Self-Attention。理解力越強  。懂L的隻解讀圖表 ，看完48 個甚至更多的别人注意力頭，描述了針對同一段文字，吹年也就是文搞一組數字，需要把每個詞轉換成一個向量
，懂L的把相關信息搜集到一起；

FFN則負責深加工，看完隻能接受數字。别人

在Multi-Head Attention（即論文中的吹年Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，decoder什麽的文搞 ，讓 Transformer 能分辨詞的懂L的“位置”
，上麵向右移一位沒啥意義呀
，看完

最終
，别人

它最初來自一篇被稱為“AI 大航海時代起點”的吹年論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構  ，就是下一個要生成的詞。

今天我們就從這篇最初的論文出發 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

下圖是論文最後給出的一個簡單示例
，因此模型本身無法“天然”感知詞的先後關係
。我們以翻譯任務為例 ：輸入 "I Love You" ，

最後對 V 進行加權求和，

比如模型要開始做這張填空卷了  。

所以需要額外告訴模型 ：

“這是第 1 個詞，旨在讓更多讀者看完就能通俗地 、Transformer憑借這一高度並行 、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣  ，但對模型來說是非常簡單高效的。

本文不討論公式，需要參考 Encoder 的輸出
。什麽自注意力機製啊
、

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、

③ Masked Multi-Head Attention ：遮住未來

有同學說了
，用於後續計算 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一  。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。已經成為當下所有大模型的基礎 。也能堆更多層  。讓每個詞清楚自己的“位置” 。從而真正理解它究竟為什麽如此火爆。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

圖的左邊一側Input（輸入）
，仿佛人人都可以講些相關名詞出來，

05｜重複 N 次
：論文是 6 層
，

所以 ，逐詞生成”
。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，卻很少有人能真正地說清楚。那一定要認識一下本文的主角 Transformer。成為當今所有大語言模型的基石，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

注意力頭的數量是一個超參（Hyperparameter），防止模型從未來抄答案 。兩個不同的注意力頭所展現出的各自關係 ，問：
“你跟我有多相關 ？”

打分越高，成體係地給身邊其他人講清楚 Transformer 工作原理，

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 ，而不僅僅是做簡單的線性組合。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

後來的 BERT、層數越多、並在開頭加上起始符  ，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，但也是理解後麵一切的起點
。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量  ，對這個信息進行更複雜、就越關注這個詞。

sin/cos 位置編碼乍一看有點數學味，

又暈了？其實通俗來講就是：Attention 負責找關係 ，直接抄就可以啊，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 ，模型越大、

  實際可以開12 個
  、FFN 負責提升表達力。整體代表Decoder 。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” ，整體代表Encoder；右邊一側Output（輸出），模型還是可以看到答案的一部分 ，而是實實在在的矩陣乘法結果。核心是 “從左到右 ，共同確保了模型無法“偷看答案”。

  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，這層 Attention 是橋梁，並再次經過Add & Norm。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。最後由FFN進行深度非線性變換以增強特征表達。GPT、同時又不需要多餘的訓練成本。其工作嚴格遵循架構圖右側流程，

  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，但若深入追問細節 ，

  但這其實也是一個 超參（Hyperparameter）。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，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 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  首先，

  最終總結

  通過本文的講解 ，

  一般來講，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，這樣模型才能表達更複雜的模式 ，論文中的例子是並行開 8 個注意力頭 。需要把標準答案整體右移一位，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，DeepSeek 背後的秘密 ，

  接下來，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。真正理解下 Transformer 究竟是何方神聖。encoder、

  當提起 Transformer 這個話題時，“你”、完美詮釋了 Attention is All You Need的革命性思想。再通過殘差連接與LayerNorm保障訓練的穩定性，更深度的非線性變換。Llama 都堆到了幾十層甚至上百層。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，向量化這一步非常基礎 ，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” ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，每個注意力頭可以關注不同的視角，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，揭開 ChatGPT、

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。後麵這個字是啥 ，

為了理解這個過程，

也就是說它和上麵的 Shifted Right協同工作 ，輸出 "我愛你"。每個詞被映射成一個向量，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，可能主要關注輸入的 "Love"

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 ______