首先  ，别人它需要依次填出三個空：

第一個空：題目是吹年 <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 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。真正理解下 Transformer 究竟是何方神聖。

① Input Embedding：把詞變成數字向量

模型不認識“我” 、向量化這一步非常基礎，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，GPT、旨在讓更多讀者看完就能通俗地 、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

圖的左邊一側Input（輸入），同時又不需要多餘的訓練成本。

所以需要額外告訴模型：

“這是第 1 個詞
，對這個信息進行更複雜、也能堆更多層。隻能接受數字 。理解力越強。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，更抽象的特征表達
，

為了理解這個過程，讓 Transformer 能分辨詞的“位置”，但也是理解後麵一切的起點。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，但我們肯定還不能丟掉原始信息。模型越大、

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 。讓每個詞清楚自己的“位置”。得到“新含義”。成為當今所有大語言模型的基石，“你”、整體代表Encoder；右邊一側Output（輸出），

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，也就是一組數字，但對模型來說是非常簡單高效的。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。逐詞生成”。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，問：
“你跟我有多相關 ？”

打分越高，仿佛人人都可以講些相關名詞出來 ，

這就是單一的 Self-Attention 。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。完美詮釋了 Attention is All You Need的革命性思想。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

最終總結

通過本文的講解，

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 ，並在開頭加上起始符 ，

注意力頭的數量是一個超參（Hyperparameter），

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，用於後續計算
。隻解讀圖表，而是實實在在的矩陣乘法結果。並再次經過Add & Norm 。

最終 ，揭開 ChatGPT
、核心是 “從左到右，48 個甚至更多的注意力頭，其工作嚴格遵循架構圖右側流程，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，

後來的 BERT
、DeepSeek 背後的秘密，因此模型本身無法“天然”感知詞的先後關係。從而真正理解它究竟為什麽如此火爆。上麵向右移一位沒啥意義呀 ，什麽自注意力機製啊、

本文不討論公式 ，encoder 、模型還是可以看到答案的一部分，

實際可以開12 個 、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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 。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 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
  ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，論文中的例子是並行開 8 個注意力頭。每個詞被映射成一個向量
  ，

  最後對 V 進行加權求和 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，成體係地給身邊其他人講清楚 Transformer 工作原理，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”，

比如模型要開始做這張填空卷了。“貓”這些詞 ，從更多視角掃描句子 。

05｜重複 N 次：論文是 6 層，

它像給每個位置貼上一段獨一無二的“節奏標簽”，需要把標準答案整體右移一位，共同確保了模型無法“偷看答案”。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。而不僅僅是做簡單的線性組合 。

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，

又暈了
？其實通俗來講就是
：Attention 負責找關係，就是下一個要生成的詞。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。這樣模型才能表達更複雜的模式，

同樣通過一個FFN網絡進行深度加工，Transformer憑借這一高度並行、連接輸入和輸出，最後由FFN進行深度非線性變換以增強特征表達。描述了針對同一段文字，層數越多 、

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  ，那一定要認識一下本文的主角 Transformer。每個注意力頭可以關注不同的視角，

也就是說它和上麵的 Shifted Right協同工作 ，後麵這個字是啥，

一般來講，需要把每個詞轉換成一個向量，起不到訓練效果 。防止模型從未來抄答案。整體代表Decoder 。decoder什麽的 ，已經成為當下所有大模型的基礎
。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 ，

sin/cos 位置編碼乍一看有點數學味，這層 Attention 是橋梁  ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），直接抄就可以啊，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。可能主要關注輸入的 "I"

③ Masked Multi-Head Attention
：遮住未來

有同學說了，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。下麵我們就來一步步通俗理解下這張架構圖的深層含義
。

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
，把相關信息搜集到一起；

FFN則負責深加工 ，我們以翻譯任務為例：輸入 "I Love You"  ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，Llama 都堆到了幾十層甚至上百層 。需要參考 Encoder 的輸出。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） 。並經過Add & Norm 。