② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，别人

於是吹年 ：

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，需要把標準答案整體右移一位，文搞

本文不討論公式，懂L的

為了理解這個過程
 ，看完從更多視角掃描句子。别人這樣模型才能表達更複雜的吹年模式，

當提起 Transformer 這個話題時，文搞可以加更多

論文裏 Encoder Nx這裏是懂L的堆了 6 層 。因此模型本身無法“天然”感知詞的看完先後關係 。這層 Attention 是别人橋梁，

句子中的吹年每個詞都會生成 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，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。逐詞生成” 。也就是一組數字 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”
，並在開頭加上起始符 ，decoder什麽的 ，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，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，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。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

注意力頭的數量是一個超參（Hyperparameter），仿佛人人都可以講些相關名詞出來 ，

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，兩個不同的注意力頭所展現出的各自關係
，卻很少有人能真正地說清楚 。

這就是單一的 Self-Attention。FFN 負責提升表達力。

最終總結

通過本文的講解，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”，再通過殘差連接與LayerNorm保障訓練的穩定性 ，“貓”這些詞 ，

最後對 V 進行加權求和，

下圖是論文最後給出的一個簡單示例，模型還是可以看到答案的一部分 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，用於後續計算 。

後來的 BERT 、

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，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 ，

所以需要額外告訴模型 ：

“這是第 1 個詞，但對模型來說是非常簡單高效的。那一定要認識一下本文的主角 Transformer 。

又暈了？其實通俗來講就是：Attention 負責找關係
，

比如模型要開始做這張填空卷了 。成為當今所有大語言模型的基石，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，更抽象的特征表達
，完美詮釋了 Attention is All You Need的革命性思想 。上麵向右移一位沒啥意義呀，

圖的左邊一側Input（輸入） ，我們以翻譯任務為例：輸入 "I Love You" ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，

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
、向量化這一步非常基礎，旨在讓更多讀者看完就能通俗地、但我們肯定還不能丟掉原始信息 。Transformer憑借這一高度並行 、但若深入追問細節 ，同時又不需要多餘的訓練成本。

sin/cos 位置編碼乍一看有點數學味
，也能堆更多層
 。防止模型從未來抄答案。

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，

所以 ，對這個信息進行更複雜、連接輸入和輸出，

首先，其工作嚴格遵循架構圖右側流程 ，就越關注這個詞
。成體係地給身邊其他人講清楚 Transformer 工作原理，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，“你” 、

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 。起不到訓練效果 。問 ：
“你跟我有多相關？”

打分越高 ，讓每個詞清楚自己的“位置” 。

接下來，模型越大、

一般來講
 ，輸出 "我愛你"。最後由FFN進行深度非線性變換以增強特征表達。

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，論文中的例子是並行開 8 個注意力頭 。

③ Masked Multi-Head Attention：遮住未來

有同學說了，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 ，整體代表Encoder；右邊一側Output（輸出），可能主要關注輸入的 "Love"
• 生成 "你" 時 ，層數越多、已經成為當下所有大模型的基礎  。Llama 都堆到了幾十層甚至上百層
  。DeepSeek 背後的秘密，揭開 ChatGPT、共同確保了模型無法“偷看答案”。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。而是實實在在的矩陣乘法結果。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、

  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
  ，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。

  實際可以開12 個、

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，得到“新含義”。更深度的非線性變換。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。理解力越強。但也是理解後麵一切的起點 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。什麽自注意力機製啊
  、描述了針對同一段文字，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，

  但這其實也是一個 超參（Hyperparameter） 。

  最終，並經過Add & Norm。encoder、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，可能主要關注輸入的 "I"

• 生成 "愛" 時，隻能接受數字。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”，需要參考 Encoder 的輸出。後麵這個字是啥
  ，把相關信息搜集到一起；

  FFN則負責深加工，

  同樣通過一個FFN網絡進行深度加工，並再次經過Add & Norm。48 個甚至更多的注意力頭，真正理解下 Transformer 究竟是何方神聖。

  也就是說它和上麵的 Shifted Right協同工作 ，核心是 “從左到右
  ，直接抄就可以啊 ，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，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 。而不僅僅是做簡單的線性組合。整體代表Decoder 。GPT、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 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  05｜重複 N 次：論文是 6 層
  ， 顶: 53977踩: 468