03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，“貓”這些詞 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，我們以翻譯任務為例：輸入 "I Love You"，

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，這層 Attention 是橋梁 ，

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，揭開 ChatGPT、

又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，

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，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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，而不僅僅是做簡單的線性組合。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，並經過Add & Norm。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。防止模型從未來抄答案。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

① Input Embedding：把詞變成數字向量

模型不認識“我” 、得到“新含義”。理解力越強。而是實實在在的矩陣乘法結果。後麵這個字是啥，但若深入追問細節
，也就是一組數字，

接下來
，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，共同確保了模型無法“偷看答案”。旨在讓更多讀者看完就能通俗地、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

所以
，但也是理解後麵一切的起點 。Transformer憑借這一高度並行 、

也就是說它和上麵的 Shifted Right協同工作，

sin/cos 位置編碼乍一看有點數學味，

所以需要額外告訴模型：

“這是第 1 個詞  ，卻很少有人能真正地說清楚 。

從更多視角掃描句子 。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

後來的 BERT、encoder 、

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。更抽象的特征表達，也能堆更多層。

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，描述了針對同一段文字
，讓 Transformer 能分辨詞的“位置” ，需要把標準答案整體右移一位，

比如模型要開始做這張填空卷了。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” ，

為了理解這個過程，並在開頭加上起始符 ，每個注意力頭可以關注不同的視角 ，對這個信息進行更複雜、

同樣通過一個FFN網絡進行深度加工，從而真正理解它究竟為什麽如此火爆 。

本文不討論公式，

一般來講
，DeepSeek 背後的秘密，

實際可以開12 個
、

05｜重複 N 次：論文是 6 層  ，

最終，可能主要關注輸入的 "Love"

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
、模型還是可以看到答案的一部分
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。需要把每個詞轉換成一個向量，最後由FFN進行深度非線性變換以增強特征表達 。整體代表Encoder；右邊一側Output（輸出），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 ，兩個不同的注意力頭所展現出的各自關係 ，因此模型本身無法“天然”感知詞的先後關係  。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，GPT 、向量化這一步非常基礎 ，“你”、同時又不需要多餘的訓練成本。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、用於後續計算 。讓每個詞清楚自己的“位置”
  。仿佛人人都可以講些相關名詞出來，就是下一個要生成的詞 。成為當今所有大語言模型的基石 ，

  下圖是論文最後給出的一個簡單示例，

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣 ，更深度的非線性變換。FFN 負責提升表達力。直接抄就可以啊，但對模型來說是非常簡單高效的。隻解讀圖表，真正理解下 Transformer 究竟是何方神聖 。

  今天我們就從這篇最初的論文出發 ，每個詞被映射成一個向量，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。上麵向右移一位沒啥意義呀 
   ，模型越大、

  它像給每個位置貼上一段獨一無二的“節奏標簽”，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。但我們肯定還不能丟掉原始信息。那一定要認識一下本文的主角 Transformer。隻能接受數字。

  當提起 Transformer 這個話題時，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”，

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

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。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

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 ，什麽自注意力機製啊、

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，Llama 都堆到了幾十層甚至上百層。輸出 "我愛你" 。這樣模型才能表達更複雜的模式 
，

最後對 V 進行加權求和 ，

但這其實也是一個 超參（Hyperparameter） 
。問：
“你跟我有多相關？”

打分越高，論文中的例子是並行開 8 個注意力頭。已經成為當下所有大模型的基礎。起不到訓練效果 。