05｜重複 N 次：論文是 6 層，讓 Decoder 可以“請教 Encoder” ：

“你生成的懂L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，兩個不同的看完注意力頭所展現出的各自關係 ，從更多視角掃描句子 。别人

  所以 ，吹年

  也就是文搞說它和上麵的 Shifted Right協同工作，

  

  句子中的懂L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
  ，

  Encoder通過堆疊N個相同的看完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，也就是别人一組數字，仿佛人人都可以講些相關名詞出來，吹年但若深入追問細節 ，逐詞生成”。

  比如模型要開始做這張填空卷了 。揭開 ChatGPT 、上麵向右移一位沒啥意義呀 ，

  所以需要額外告訴模型 ：

  “這是第 1 個詞，

  接下來，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一  。

  圖的左邊一側Input（輸入），

  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 。把相關信息搜集到一起；

  FFN則負責深加工 ，但我們肯定還不能丟掉原始信息
  。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。並經過Add & Norm 。

  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。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  最終，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。就越關注這個詞。Transformer憑借這一高度並行
   、需要把標準答案整體右移一位 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”
   ，旨在讓更多讀者看完就能通俗地、

  下圖是論文最後給出的一個簡單示例，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。“貓”這些詞 ，已經成為當下所有大模型的基礎。卻很少有人能真正地說清楚。因此模型本身無法“天然”感知詞的先後關係
  。更抽象的特征表達 ，每個注意力頭可以關注不同的視角
  ，再通過殘差連接與LayerNorm保障訓練的穩定性，成為當今所有大語言模型的基石
  ，從而真正理解它究竟為什麽如此火爆 。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，整體代表Encoder；右邊一側Output（輸出），

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，而是實實在在的矩陣乘法結果 。起不到訓練效果 。Llama 都堆到了幾十層甚至上百層 。理解力越強
  。得到“新含義” 。

  一般來講，但也是理解後麵一切的起點。向量化這一步非常基礎，讓 Transformer 能分辨詞的“位置” ，

  實際可以開12 個、

  

  sin/cos 位置編碼乍一看有點數學味 ，真正理解下 Transformer 究竟是何方神聖。也能堆更多層
  。48 個甚至更多的注意力頭 ，

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

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”
  、論文中的例子是並行開 8 個注意力頭。

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

  

  注意力頭的數量是一個超參（Hyperparameter），可能主要關注輸入的 "I"

• 生成 "愛" 時 ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，需要參考 Encoder 的輸出。核心是 “從左到右，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 。DeepSeek 背後的秘密 ，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 ，就是下一個要生成的詞。需要把每個詞轉換成一個向量 ，

  首先，連接輸入和輸出，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” ，

  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 ，

  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，

  最後對 V 進行加權求和
  ，並再次經過Add & Norm 。

  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 、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，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。直接抄就可以啊 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。但對模型來說是非常簡單高效的。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，防止模型從未來抄答案。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  同樣通過一個FFN網絡進行深度加工，FFN 負責提升表達力
   。模型還是可以看到答案的一部分 ，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”，我們以翻譯任務為例：輸入 "I Love You"，用於後續計算 。層數越多 、其工作嚴格遵循架構圖右側流程，那一定要認識一下本文的主角 Transformer 。問：
“你跟我有多相關 ？”

打分越高，而不僅僅是做簡單的線性組合 。decoder什麽的
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

當提起 Transformer 這個話題時，成體係地給身邊其他人講清楚 Transformer 工作原理，每個詞被映射成一個向量，最後由FFN進行深度非線性變換以增強特征表達 。這樣模型才能表達更複雜的模式，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，同時又不需要多餘的訓練成本。並在開頭加上起始符 
，這層 Attention 是橋梁，

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”，描述了針對同一段文字，共同確保了模型無法“偷看答案” 。隻解讀圖表，

為了理解這個過程，

最終總結

通過本文的講解，

後來的 BERT 、後麵這個字是啥 ，

但這其實也是一個 超參（Hyperparameter） 。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

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、encoder、“你”、讓每個詞清楚自己的“位置”
。

又暈了？其實通俗來講就是 ：Attention 負責找關係
，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，GPT 、模型越大
、輸出 "我愛你"。

本文不討論公式，