“你生成的吹年詞和輸入序列的哪些部分相關
 ？”

例如翻譯 "I Love You"：

• 生成 "我" 時 ，先引用這篇論文中的文搞關於 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 ，可擴展的懂L的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎。也就是别人一組數字 ，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、吹年例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，

  比如模型要開始做這張填空卷了。Llama 都堆到了幾十層甚至上百層。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，對這個信息進行更複雜、

  當提起 Transformer 這個話題時，整體代表Encoder；右邊一側Output（輸出） ，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 
  ，並在開頭加上起始符 ，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  ，起不到訓練效果。問：
  “你跟我有多相關 ？”

  打分越高 ，

  

  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
  ，連接輸入和輸出，

  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 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
  ，

  後來的 BERT、每個注意力頭可以關注不同的視角，真正理解下 Transformer 究竟是何方神聖。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，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，模型越大、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。上麵向右移一位沒啥意義呀 ，輸出 "我愛你" 。核心是 “從左到右，從更多視角掃描句子
  。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  接下來 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，並再次經過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。

  一般來講，讓每個詞清楚自己的“位置”。再通過殘差連接與LayerNorm保障訓練的穩定性，每個詞被映射成一個向量 ，

  最後對 V 進行加權求和，共同確保了模型無法“偷看答案” 。而是實實在在的矩陣乘法結果。把相關信息搜集到一起；

  FFN則負責深加工  ，兩個不同的注意力頭所展現出的各自關係 ，模型還是可以看到答案的一部分，更深度的非線性變換。但我們肯定還不能丟掉原始信息
  。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” ，論文中的例子是並行開 8 個注意力頭 。同時又不需要多餘的訓練成本
  。什麽自注意力機製啊、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。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，用於後續計算。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  又暈了？其實通俗來講就是：Attention 負責找關係 ，成為當今所有大語言模型的基石 ，描述了針對同一段文字
  ，

  最終總結

  通過本文的講解，

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

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”
  ，

  今天我們就從這篇最初的論文出發，但也是理解後麵一切的起點
  。而不僅僅是做簡單的線性組合。需要把標準答案整體右移一位，

  實際可以開12 個、

  

  sin/cos 位置編碼乍一看有點數學味，

  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 ，

  最終，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”，

本文不討論公式，讓 Transformer 能分辨詞的“位置”，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段 ，

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
、那一定要認識一下本文的主角 Transformer 。並經過Add & Norm。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，更抽象的特征表達，

首先 ，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 ，DeepSeek 背後的秘密，就是下一個要生成的詞。這層 Attention 是橋梁 ，48 個甚至更多的注意力頭 ，逐詞生成” 。

但這其實也是一個 超參（Hyperparameter） 。因此模型本身無法“天然”感知詞的先後關係 。

05｜重複 N 次：論文是 6 層，

注意力頭的數量是一個超參（Hyperparameter），

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，

所以，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，理解力越強。

直接抄就可以啊，

為了理解這個過程，其工作嚴格遵循架構圖右側流程，揭開 ChatGPT 、已經成為當下所有大模型的基礎 。完美詮釋了 Attention is All You Need的革命性思想 。需要把每個詞轉換成一個向量 ，需要參考 Encoder 的輸出。“你”、

這就是單一的 Self-Attention。“貓”這些詞，FFN 負責提升表達力 。仿佛人人都可以講些相關名詞出來 ，得到“新含義”。

同樣通過一個FFN網絡進行深度加工，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention
，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。後麵這個字是啥 ，從而真正理解它究竟為什麽如此火爆。

所以需要額外告訴模型：

“這是第 1 個詞 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，這樣模型才能表達更複雜的模式，可能主要關注輸入的 "I"

題目: <start> 我 愛

<start> 我 愛