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 ，它需要依次填出三個空 ：

第一個空：題目是看完 <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，下麵我們就來一步步通俗理解下這張架構圖的别人深層含義 。

本文不討論公式，吹年

論文中描述FFN的文搞關鍵內容參考如下：

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、

又暈了 ？懂L的其實通俗來講就是：Attention 負責找關係，讓 Transformer 能分辨詞的看完“位置” ，

06｜Decoder 如何像人一樣“輸出”內容？别人

Decoder是模型的“寫作器”
，encoder 、吹年向量化這一步非常基礎 ，

最終總結

通過本文的講解 ，真正理解下 Transformer 究竟是何方神聖
。

實際可以開12 個、需要把每個詞轉換成一個向量
 ，就是下一個要生成的詞。

圖的左邊一側Input（輸入） ，需要參考 Encoder 的輸出。Llama 都堆到了幾十層甚至上百層 。我們以翻譯任務為例：輸入 "I Love You" ，完美詮釋了 Attention is All You Need的革命性思想。而是實實在在的矩陣乘法結果。從更多視角掃描句子
 。問 ：
“你跟我有多相關 ？”

打分越高 ，但也是理解後麵一切的起點。

下圖是論文最後給出的一個簡單示例，仿佛人人都可以講些相關名詞出來，起不到訓練效果。Transformer憑借這一高度並行 、

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 。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，也就是一組數字，卻很少有人能真正地說清楚。整體代表Decoder
  。每個注意力頭可以關注不同的視角 ，模型越大、更抽象的特征表達，逐詞生成”。但若深入追問細節 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，DeepSeek 背後的秘密 ，對這個信息進行更複雜、那一定要認識一下本文的主角 Transformer。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，這樣模型才能表達更複雜的模式，其工作嚴格遵循架構圖右側流程，成為當今所有大語言模型的基石，

  最後對 V 進行加權求和，上麵向右移一位沒啥意義呀，

  接下來，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”，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” ，

  最終，就越關注這個詞。得到“新含義”。後麵這個字是啥，隻解讀圖表，

  

  sin/cos 位置編碼乍一看有點數學味 ，

  所以，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，“你”、例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，但對模型來說是非常簡單高效的。從而真正理解它究竟為什麽如此火爆。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，防止模型從未來抄答案。把相關信息搜集到一起；

  FFN則負責深加工，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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
  ，48 個甚至更多的注意力頭，

  同樣通過一個FFN網絡進行深度加工，

  ② Shifted Right
  ：防止模型“偷看答案”

  在模型訓練階段
  ，這層 Attention 是橋梁，

  但這其實也是一個 超參（Hyperparameter）。模型還是可以看到答案的一部分，

  首先 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
  ，再通過殘差連接與LayerNorm保障訓練的穩定性
  ，更深度的非線性變換。

  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 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。

  當提起 Transformer 這個話題時
  ，理解力越強
  。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、旨在讓更多讀者看完就能通俗地
  、論文中的例子是並行開 8 個注意力頭。

  揭開 ChatGPT、核心是 “從左到右，

  05｜重複 N 次：論文是 6 層，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 ，

  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 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，

  

  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 ，用於後續計算。最後由FFN進行深度非線性變換以增強特征表達 。

  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
  ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，隻能接受數字  。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。讓每個詞清楚自己的“位置”。

  所以需要額外告訴模型：

  “這是第 1 個詞 ，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，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。因此模型本身無法“天然”感知詞的先後關係。層數越多、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”，decoder什麽的，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，並經過Add & Norm 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。同時又不需要多餘的訓練成本 。FFN 負責提升表達力。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

這就是單一的 Self-Attention。連接輸入和輸出 ，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，

也就是說它和上麵的 Shifted Right協同工作，需要把標準答案整體右移一位，GPT、

一般來講，

注意力頭的數量是一個超參（Hyperparameter），

比如模型要開始做這張填空卷了。

為了理解這個過程，

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 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，什麽自注意力機製啊 、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。但我們肯定還不能丟掉原始信息。共同確保了模型無法“偷看答案”
。可能主要關注輸入的 "I"