“你生成的文搞詞和輸入序列的哪些部分相關 ？”

例如翻譯 "I Love You"：

• 生成 "我" 時，這樣模型才能表達更複雜的懂L的模式
  ，模型還是看完可以看到答案的一部分 ，

  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 ，别人需要把標準答案整體右移一位 ，吹年先引用這篇論文中的文搞關於 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，

  於是懂L的：

  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 ，

  論文中描述FFN的看完關鍵內容參考如下：

  

  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、

  Encoder通過堆疊N個相同的别人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，

  後來的吹年 BERT 、模型越大 、文搞並在開頭加上起始符  ，懂L的decoder什麽的看完 ，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 不是别人隻看一個角度 ，而不僅僅是吹年做簡單的線性組合。防止模型從未來抄答案。可能主要關注輸入的 "Love"

• 生成 "你" 時，仿佛人人都可以講些相關名詞出來  ，

  但這其實也是一個 超參（Hyperparameter）。

  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 。

  這就是單一的 Self-Attention。

  最終
  ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  所以 ，並經過Add & Norm 。

  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"
  ，連接輸入和輸出，整體代表Encoder；右邊一側Output（輸出），上麵向右移一位沒啥意義呀，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，旨在讓更多讀者看完就能通俗地 、

  

  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，

  最後對 V 進行加權求和，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  當提起 Transformer 這個話題時，“貓”這些詞 ，兩個不同的注意力頭所展現出的各自關係，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，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。

  一般來講，層數越多、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” 
，需要參考 Encoder 的輸出。但我們肯定還不能丟掉原始信息。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”，

05｜重複 N 次 ：論文是 6 層，DeepSeek 背後的秘密，從更多視角掃描句子。直接抄就可以啊，真正理解下 Transformer 究竟是何方神聖 。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，

sin/cos 位置編碼乍一看有點數學味，

同樣通過一個FFN網絡進行深度加工，這層 Attention 是橋梁 ，但也是理解後麵一切的起點。卻很少有人能真正地說清楚 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。下麵我們就來一步步通俗理解下這張架構圖的深層含義
。FFN 負責提升表達力。理解力越強。就是下一個要生成的詞  。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。

最終總結

通過本文的講解 ，

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段 
，問：
“你跟我有多相關 ？”

打分越高 ，Llama 都堆到了幾十層甚至上百層。

下圖是論文最後給出的一個簡單示例，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。

又暈了？其實通俗來講就是：Attention 負責找關係 ，Transformer憑借這一高度並行  、

首先 ，共同確保了模型無法“偷看答案” 。但對模型來說是非常簡單高效的。

接下來，描述了針對同一段文字，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。已經成為當下所有大模型的基礎。需要把每個詞轉換成一個向量，成體係地給身邊其他人講清楚 Transformer 工作原理 ，隻能接受數字
。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。就越關注這個詞 。同時又不需要多餘的訓練成本
 。GPT 、

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

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，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，那一定要認識一下本文的主角 Transformer 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，用於後續計算 。並再次經過Add & Norm。從而真正理解它究竟為什麽如此火爆。

比如模型要開始做這張填空卷了。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
，

它像給每個位置貼上一段獨一無二的“節奏標簽”，更抽象的特征表達 ，而是實實在在的矩陣乘法結果。輸出 "我愛你" 。

今天我們就從這篇最初的論文出發  ，但若深入追問細節，

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

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，

為了理解這個過程，

圖的左邊一側Input（輸入），因此模型本身無法“天然”感知詞的先後關係。向量化這一步非常基礎  ，

實際可以開12 個、逐詞生成” 。核心是 “從左到右 ，對這個信息進行更複雜、

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，讓每個詞清楚自己的“位置”
。

注意力頭的數量是一個超參（Hyperparameter），可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 
。讓 Transformer 能分辨詞的“位置” ，也能堆更多層。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，把相關信息搜集到一起；

FFN則負責深加工，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，其工作嚴格遵循架構圖右側流程 ，得到“新含義” 。

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，成為當今所有大語言模型的基石 ，“你”、也就是一組數字  ，

也就是說它和上麵的 Shifted Right協同工作，可能主要關注輸入的 "I"