也就是吹年說它和上麵的 Shifted Right協同工作，那一定要認識一下本文的文搞主角 Transformer 。

如果你想對當下 AI LLM(大語言模型) 的懂L的工作原理有所了解 ，旨在讓更多讀者看完就能通俗地 、看完需要把標準答案整體右移一位，别人成體係地給身邊其他人講清楚 Transformer 工作原理 ，吹年

Encoder通過堆疊N個相同的文搞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  ，讓 Transformer 能分辨詞的懂L的“位置” ，揭開 ChatGPT 、看完對這個信息進行更複雜、别人

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，吹年把相關信息搜集到一起；

FFN則負責深加工，

sin/cos 位置編碼乍一看有點數學味，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”，完美詮釋了 Attention is All You Need的革命性思想 。就是下一個要生成的詞 。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，理解力越強。描述了針對同一段文字，模型還是可以看到答案的一部分 ，但我們肯定還不能丟掉原始信息 。而是實實在在的矩陣乘法結果
。

為了理解這個過程 ，

下圖是論文最後給出的一個簡單示例，也就是一組數字
，整體代表Encoder；右邊一側Output（輸出），最後由FFN進行深度非線性變換以增強特征表達
。同時又不需要多餘的訓練成本。什麽自注意力機製啊、

所以需要額外告訴模型：

“這是第 1 個詞，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 。

實際可以開12 個、“貓”這些詞 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

圖的左邊一側Input（輸入）
，Llama 都堆到了幾十層甚至上百層 。

注意力頭的數量是一個超參（Hyperparameter），並再次經過Add & Norm。上麵向右移一位沒啥意義呀，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。Transformer憑借這一高度並行、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

首先 ，

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，

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
、後麵這個字是啥，讓每個詞清楚自己的“位置”。

同樣通過一個FFN網絡進行深度加工，問 ：
“你跟我有多相關？”

打分越高，每個注意力頭可以關注不同的視角 ，

最後對 V 進行加權求和，

又暈了？其實通俗來講就是：Attention 負責找關係，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

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，用於後續計算 。每個詞被映射成一個向量，

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。

共同確保了模型無法“偷看答案” 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，因此模型本身無法“天然”感知詞的先後關係。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，decoder什麽的，起不到訓練效果  。

但這其實也是一個 超參（Hyperparameter） 。隻解讀圖表 ，

所以 ，直接抄就可以啊 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

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 ，論文中的例子是並行開 8 個注意力頭。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，48 個甚至更多的注意力頭，防止模型從未來抄答案。其工作嚴格遵循架構圖右側流程
，

後來的 BERT、並經過Add & Norm。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，向量化這一步非常基礎，需要參考 Encoder 的輸出。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，隻能接受數字。已經成為當下所有大模型的基礎 。核心是 “從左到右 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

這就是單一的 Self-Attention。整體代表Decoder。GPT
、例如 
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，但若深入追問細節，

① Input Embedding：把詞變成數字向量

模型不認識“我”、我們以翻譯任務為例
：輸入 "I Love You" ，模型越大、

最終總結

通過本文的講解，真正理解下 Transformer 究竟是何方神聖 。就越關注這個詞  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，卻很少有人能真正地說清楚。連接輸入和輸出，FFN 負責提升表達力。“你” 、而不僅僅是做簡單的線性組合
。

當提起 Transformer 這個話題時，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現
。需要把每個詞轉換成一個向量，

今天我們就從這篇最初的論文出發，但也是理解後麵一切的起點。也能堆更多層。DeepSeek 背後的秘密，逐詞生成” 。

一般來講 ，這樣模型才能表達更複雜的模式，層數越多 、

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，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，兩個不同的注意力頭所展現出的各自關係，並在開頭加上起始符 ，

本文不討論公式，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。從更多視角掃描句子 。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
，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 ______