Encoder通過堆疊N個相同的懂L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 ，這層 Attention 是看完橋梁 ，

所以需要額外告訴模型
：

“這是别人第 1 個詞 ，

為了理解這個過程，吹年這是文搞第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，模型越大、懂L的成體係地給身邊其他人講清楚 Transformer 工作原理，看完Transformer憑借這一高度並行 、别人

如果你想對當下 AI LLM(大語言模型) 的吹年工作原理有所了解，連接輸入和輸出，文搞為啥又需要 Multi-Head Attention 呢 
？懂L的

因為我們需要從多個角度來理解自然語言
。把相關信息搜集到一起；

FFN則負責深加工 ，看完句子裏的别人每個詞都會
：

拿著自己的 Q 到其他詞的 K 那裏去“打分” ，整體代表Encoder；右邊一側Output（輸出），吹年仿佛人人都可以講些相關名詞出來，

後來的 BERT、直接抄就可以啊，可能主要關注輸入的 "Love"

本文不討論公式 ，也就是一組數字  ，隻能接受數字。而不僅僅是做簡單的線性組合 。逐詞生成”。論文中的例子是並行開 8 個注意力頭
。後麵這個字是啥，得到“新含義”
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），同時又不需要多餘的訓練成本。

當提起 Transformer 這個話題時
，

比如模型要開始做這張填空卷了
。需要參考 Encoder 的輸出。

實際可以開12 個 、

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，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
  ，因此模型本身無法“天然”感知詞的先後關係
  。就是下一個要生成的詞。48 個甚至更多的注意力頭 ，更抽象的特征表達，

  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 
  ，我們以翻譯任務為例 ：輸入 "I Love You"，

  今天我們就從這篇最初的論文出發，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 ，

  最後對 V 進行加權求和，而是實實在在的矩陣乘法結果。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。每個注意力頭可以關注不同的視角，更深度的非線性變換
  。

  首先，完美詮釋了 Attention is All You Need的革命性思想 。“貓”這些詞 ，真正理解下 Transformer 究竟是何方神聖
  。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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  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，

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

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，最後由FFN進行深度非線性變換以增強特征表達 。但也是理解後麵一切的起點。向量化這一步非常基礎 ，上麵向右移一位沒啥意義呀，問 ：
  “你跟我有多相關 ？”

  打分越高，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，這樣模型才能表達更複雜的模式
  ，揭開 ChatGPT 、

  這就是單一的 Self-Attention。

  又暈了？其實通俗來講就是：Attention 負責找關係，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。從更多視角掃描句子
   。描述了針對同一段文字 ，理解力越強。成為當今所有大語言模型的基石，兩個不同的注意力頭所展現出的各自關係，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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 ，

  最終，“你” 、

  也就是說它和上麵的 Shifted Right協同工作，

  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，用於後續計算 。

  圖的左邊一側Input（輸入） ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，

  最終總結

  通過本文的講解 ，並在開頭加上起始符 ，卻很少有人能真正地說清楚 。GPT 、

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，Llama 都堆到了幾十層甚至上百層。整體代表Decoder。但我們肯定還不能丟掉原始信息。

  05｜重複 N 次
  ：論文是 6 層，

  同樣通過一個FFN網絡進行深度加工，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，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，每個詞被映射成一個向量，讓每個詞清楚自己的“位置”。

  下圖是論文最後給出的一個簡單示例
  ，

  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 、旨在讓更多讀者看完就能通俗地、再通過殘差連接與LayerNorm保障訓練的穩定性，但若深入追問細節 ，

  所以  ，encoder、防止模型從未來抄答案。從而真正理解它究竟為什麽如此火爆 。層數越多、

  但這其實也是一個 超參（Hyperparameter） 。隻解讀圖表，DeepSeek 背後的秘密 
  ，並再次經過Add & Norm。需要把每個詞轉換成一個向量，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”，

注意力頭的數量是一個超參（Hyperparameter），可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

sin/cos 位置編碼乍一看有點數學味，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。起不到訓練效果。那一定要認識一下本文的主角 Transformer 。模型還是可以看到答案的一部分，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
，但對模型來說是非常簡單高效的。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，需要把標準答案整體右移一位，核心是 “從左到右，

③ Masked Multi-Head Attention：遮住未來

有同學說了，讓 Transformer 能分辨詞的“位置” ，decoder什麽的，

一般來講  ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。也能堆更多層。

它像給每個位置貼上一段獨一無二的“節奏標簽”，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、

接下來 ，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 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。FFN 負責提升表達力。已經成為當下所有大模型的基礎。