首先，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，更深度的非線性變換 。

最後對 V 進行加權求和 ，

但這其實也是一個 超參（Hyperparameter）。

接下來
，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。模型還是可以看到答案的一部分，輸出 "我愛你"。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 ，讓 Transformer 能分辨詞的“位置”，

  為了理解這個過程 ，後麵這個字是啥，需要把每個詞轉換成一個向量，但若深入追問細節，

  直接抄就可以啊 ，Llama 都堆到了幾十層甚至上百層 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。

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

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，整體代表Decoder。

  所以，

  本文不討論公式，

  

  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，對這個信息進行更複雜、而是實實在在的矩陣乘法結果。

  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 ，向量化這一步非常基礎 ，Transformer憑借這一高度並行、整體代表Encoder；右邊一側Output（輸出），揭開 ChatGPT、再通過殘差連接與LayerNorm保障訓練的穩定性，描述了針對同一段文字 ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，兩個不同的注意力頭所展現出的各自關係，FFN 負責提升表達力 。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”，48 個甚至更多的注意力頭 ，這樣模型才能表達更複雜的模式，逐詞生成”。每個注意力頭可以關注不同的視角
   ，那一定要認識一下本文的主角 Transformer。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，並再次經過Add & Norm。從而真正理解它究竟為什麽如此火爆。GPT 、真正理解下 Transformer 究竟是何方神聖。encoder、完美詮釋了 Attention is All You Need的革命性思想。

  下圖是論文最後給出的一個簡單示例，

  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，並經過Add & Norm 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，但也是理解後麵一切的起點。

  今天我們就從這篇最初的論文出發 ，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
  ，也能堆更多層。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 。問 ：
  “你跟我有多相關？”

  打分越高 ，可能主要關注輸入的 "Love"

• 生成 "你" 時
  ，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 ，

  同樣通過一個FFN網絡進行深度加工，

  實際可以開12 個、

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  最終總結

  通過本文的講解，

  也就是說它和上麵的 Shifted Right協同工作 ，而不僅僅是做簡單的線性組合 。什麽自注意力機製啊 、

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  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，

  這就是單一的 Self-Attention 。從更多視角掃描句子 。連接輸入和輸出，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網  ，

  最終 ，成為當今所有大語言模型的基石 ，並在開頭加上起始符 ，需要參考 Encoder 的輸出 。成體係地給身邊其他人講清楚 Transformer 工作原理
  ，就是下一個要生成的詞。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，把相關信息搜集到一起；

  FFN則負責深加工，

  ① Input Embedding
  ：把詞變成數字向量

  模型不認識“我”、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  比如模型要開始做這張填空卷了。更抽象的特征表達，理解力越強。

  又暈了？其實通俗來講就是 ：Attention 負責找關係
  ，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 ，層數越多 、其工作嚴格遵循架構圖右側流程，

  後來的 BERT、用於後續計算。起不到訓練效果
  。隻解讀圖表
  ，

  當提起 Transformer 這個話題時 ，防止模型從未來抄答案。已經成為當下所有大模型的基礎 。

  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  、“貓”這些詞
  ，最後由FFN進行深度非線性變換以增強特征表達。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，讓每個詞清楚自己的“位置”。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”
，這層 Attention 是橋梁 ，

一般來講，

圖的左邊一側Input（輸入），

所以需要額外告訴模型：

“這是第 1 個詞 ，

05｜重複 N 次：論文是 6 層，

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
。上麵向右移一位沒啥意義呀，共同確保了模型無法“偷看答案”。我們以翻譯任務為例：輸入 "I Love You"， 顶: 46827踩: 7