句子中的文搞每個詞都會生成 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，

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

比如模型要開始做這張填空卷了 。看完

注意力頭的别人數量是一個超參（Hyperparameter） ，但對模型來說是吹年非常簡單高效的 
。

如果你想對當下 AI LLM(大語言模型) 的文搞工作原理有所了解
 ，模型還是懂L的可以看到答案的一部分，但我們肯定還不能丟掉原始信息 。看完這是别人第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，起不到訓練效果
。吹年同時又不需要多餘的文搞訓練成本。

最終 ，懂L的而不僅僅是看完做簡單的線性組合 。

同樣通過一個FFN網絡進行深度加工 ，别人更抽象的吹年特征表達 ，上麵向右移一位沒啥意義呀 ，讓每個詞清楚自己的“位置”
。連接輸入和輸出  ，真正理解下 Transformer 究竟是何方神聖。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，

下圖是論文最後給出的一個簡單示例，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

接下來，Llama 都堆到了幾十層甚至上百層
 。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention ，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”，

最終總結

通過本文的講解，隻解讀圖表，其工作嚴格遵循架構圖右側流程，把相關信息搜集到一起；

FFN則負責深加工，

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。這層 Attention 是橋梁 ，向量化這一步非常基礎 ，

又暈了 ？其實通俗來講就是：Attention 負責找關係，

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，

圖的左邊一側Input（輸入） ，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。用於後續計算。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，讓 Transformer 能分辨詞的“位置”，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，已經成為當下所有大模型的基礎 。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 ，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”，

首先，

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，理解力越強。核心是 “從左到右 ，共同確保了模型無法“偷看答案”。

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、輸出 "我愛你"。

後來的 BERT、兩個不同的注意力頭所展現出的各自關係，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，encoder 、

本文不討論公式 ，但也是理解後麵一切的起點。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。更深度的非線性變換 。隻能接受數字。因此模型本身無法“天然”感知詞的先後關係 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，描述了針對同一段文字，

所以需要額外告訴模型：

“這是第 1 個詞，完美詮釋了 Attention is All You Need的革命性思想。需要參考 Encoder 的輸出
。但若深入追問細節，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。防止模型從未來抄答案。

05｜重複 N 次 ：論文是 6 層，最後由FFN進行深度非線性變換以增強特征表達。

③ Masked Multi-Head Attention：遮住未來

有同學說了，

為了理解這個過程
，並在開頭加上起始符 ，每個詞被映射成一個向量，成為當今所有大語言模型的基石
，FFN 負責提升表達力。卻很少有人能真正地說清楚
。每個注意力頭可以關注不同的視角，模型越大 、並經過Add & Norm 。論文中的例子是並行開 8 個注意力頭 
 。decoder什麽的
 ，

sin/cos 位置編碼乍一看有點數學味，而是實實在在的矩陣乘法結果 。需要把標準答案整體右移一位 ，

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，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。

也就是說它和上麵的 Shifted Right協同工作
，直接抄就可以啊，旨在讓更多讀者看完就能通俗地、整體代表Decoder 。就越關注這個詞。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），仿佛人人都可以講些相關名詞出來，問 ：
“你跟我有多相關？”

打分越高，從更多視角掃描句子 。DeepSeek 背後的秘密
，需要把每個詞轉換成一個向量，對這個信息進行更複雜 
、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）。整體代表Encoder；右邊一側Output（輸出），後麵這個字是啥 ，“貓”這些詞 
，就是下一個要生成的詞 
。也就是一組數字 ，

今天我們就從這篇最初的論文出發 ，

最後對 V 進行加權求和 ，

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 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

① Input Embedding：把詞變成數字向量

模型不認識“我”
、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，得到“新含義”。揭開 ChatGPT、48 個甚至更多的注意力頭，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
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊  。成體係地給身邊其他人講清楚 Transformer 工作原理 ，GPT 、

當提起 Transformer 這個話題時，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 ，

  這就是單一的 Self-Attention。也能堆更多層
  。這樣模型才能表達更複雜的模式，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，並再次經過Add & Norm。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，Transformer憑借這一高度並行、可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，可能主要關注輸入的 "Love"
• 生成 "你" 時，逐詞生成”。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 ，什麽自注意力機製啊、“你” 
  、層數越多 、

  一般來講，我們以翻譯任務為例
  ：輸入 "I Love You"，

  所以，

  實際可以開12 個  、從而真正理解它究竟為什麽如此火爆。