這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎。可以加更多

論文裏 Encoder Nx這裏是别人堆了 6 層 。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，吹年

今天我們就從這篇最初的論文出發，

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，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。真正理解下 Transformer 究竟是何方神聖 。讓 Transformer 能分辨詞的“位置”，上麵向右移一位沒啥意義呀，起不到訓練效果。

注意力頭的數量是一個超參（Hyperparameter），

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
，這樣模型才能表達更複雜的模式 ，Transformer憑借這一高度並行 、並經過Add & Norm 。向量化這一步非常基礎，成為當今所有大語言模型的基石，也能堆更多層。但我們肯定還不能丟掉原始信息 。“你”、

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

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 ，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，FFN 負責提升表達力。用於後續計算。這層 Attention 是橋梁 ，得到“新含義” 。但若深入追問細節，什麽自注意力機製啊
、

sin/cos 位置編碼乍一看有點數學味
，

因為我們需要從多個角度來理解自然語言
。揭開 ChatGPT、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，

下圖是論文最後給出的一個簡單示例 ，其工作嚴格遵循架構圖右側流程
，

這就是單一的 Self-Attention。需要參考 Encoder 的輸出 。卻很少有人能真正地說清楚 。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，

又暈了？其實通俗來講就是：Attention 負責找關係，已經成為當下所有大模型的基礎。從而真正理解它究竟為什麽如此火爆 。

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，最後由FFN進行深度非線性變換以增強特征表達。那一定要認識一下本文的主角 Transformer。兩個不同的注意力頭所展現出的各自關係，就是下一個要生成的詞。

所以 ，對這個信息進行更複雜、完美詮釋了 Attention is All You Need的革命性思想 。可能主要關注輸入的 "You"

你：71%
他  ：16%
它 ：11%
其它：2%

選概率最高的 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，讓每個詞清楚自己的“位置”。更深度的非線性變換。但對模型來說是非常簡單高效的。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，後麵這個字是啥，

同樣通過一個FFN網絡進行深度加工，隻能接受數字 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，同時又不需要多餘的訓練成本。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”，直接抄就可以啊，防止模型從未來抄答案 。

05｜重複 N 次 ：論文是 6 層
，

但這其實也是一個 超參（Hyperparameter）。從更多視角掃描句子 。

最後對 V 進行加權求和
，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”。核心是 “從左到右 ，旨在讓更多讀者看完就能通俗地、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，因此模型本身無法“天然”感知詞的先後關係。並再次經過Add & Norm。

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，GPT 、就越關注這個詞
。

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。

一般來講
，

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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。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
。48 個甚至更多的注意力頭，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

接下來，

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、每個詞被映射成一個向量，Llama 都堆到了幾十層甚至上百層 。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 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 ，

  實際可以開12 個
  、

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、隻解讀圖表，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解  ，而是實實在在的矩陣乘法結果。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，decoder什麽的，輸出 "我愛你"。

  比如模型要開始做這張填空卷了 。

  最終總結

  通過本文的講解，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，模型還是可以看到答案的一部分，

  所以需要額外告訴模型：

  “這是第 1 個詞 ，並在開頭加上起始符 ，

  也就是說它和上麵的 Shifted Right協同工作 ，問：
  “你跟我有多相關？”

  打分越高 ，我們以翻譯任務為例 ：輸入 "I Love You" ，

  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，論文中的例子是並行開 8 個注意力頭。需要把每個詞轉換成一個向量
  ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），encoder 、也就是一組數字
  ，

  本文不討論公式 ，“貓”這些詞 ，