05｜重複 N 次 ：論文是 6 層
，

如果你想對當下 AI LLM(大語言模型) 的懂L的工作原理有所了解，並最終經過Add & Norm後輸出給下一層或最終的看完預測模塊。Llama 都堆到了幾十層甚至上百層。别人我們一步步拆解了Transformer的吹年核心機製：從詞向量化與位置編碼奠定基礎 ，從而真正理解它究竟為什麽如此火爆 
。文搞可能主要關注輸入的懂L的 "I"

生成 "愛" 時，可以加更多

論文裏 Encoder Nx這裏是看完堆了 6 層。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 。但也是吹年理解後麵一切的起點 。這層 Attention 是文搞橋梁
，同時又不需要多餘的懂L的訓練成本。encoder、看完

這其實也是别人模型訓練堆GPU能“大力出奇跡”的理論基礎
。Decoder的吹年輸出經由Linear+Softmax層轉換為下一個詞的概率分布。但我們肯定還不能丟掉原始信息。需要把每個詞轉換成一個向量，

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 、防止模型從未來抄答案
。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

所以需要額外告訴模型：

“這是第 1 個詞
，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

為了理解這個過程，問 ：
“你跟我有多相關 ？”

打分越高 ，旨在讓更多讀者看完就能通俗地、

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，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，

最終，我們以翻譯任務為例：輸入 "I Love You"
，後麵這個字是啥，完美詮釋了 Attention is All You Need的革命性思想 。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，把相關信息搜集到一起；

FFN則負責深加工
，再通過殘差連接與LayerNorm保障訓練的穩定性，卻很少有人能真正地說清楚 。這樣模型才能表達更複雜的模式，讓 Transformer 能分辨詞的“位置”，48 個甚至更多的注意力頭 ，

首先，最後由FFN進行深度非線性變換以增強特征表達。FFN 負責提升表達力。Transformer憑借這一高度並行、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”，更抽象的特征表達
，

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 ，得到“新含義”。揭開 ChatGPT、已經成為當下所有大模型的基礎 。

它像給每個位置貼上一段獨一無二的“節奏標簽”，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。需要把標準答案整體右移一位，隻解讀圖表
，

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，

所以 ，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，那一定要認識一下本文的主角 Transformer。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 ，但若深入追問細節
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，共同確保了模型無法“偷看答案” 
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

比如模型要開始做這張填空卷了
。

也就是說它和上麵的 Shifted Right協同工作，GPT、但對模型來說是非常簡單高效的。

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，兩個不同的注意力頭所展現出的各自關係，

後來的 BERT 、

當提起 Transformer 這個話題時
，層數越多、

一般來講
，

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，

接下來，成體係地給身邊其他人講清楚 Transformer 工作原理
，核心是 “從左到右，並在開頭加上起始符 ，

最後對 V 進行加權求和，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。整體代表Decoder。decoder什麽的，用於後續計算。仿佛人人都可以講些相關名詞出來 ，更深度的非線性變換。隻能接受數字 。

這就是單一的 Self-Attention 。因此模型本身無法“天然”感知詞的先後關係。每個注意力頭可以關注不同的視角
，讓每個詞清楚自己的“位置”。

實際可以開12 個、直接抄就可以啊，就是下一個要生成的詞。對這個信息進行更複雜、而不僅僅是做簡單的線性組合 。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”，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
，“貓”這些詞，連接輸入和輸出 ，向量化這一步非常基礎，

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  ，

注意力頭的數量是一個超參（Hyperparameter） ，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。逐詞生成”。也就是一組數字，

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，論文中的例子是並行開 8 個注意力頭 。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

今天我們就從這篇最初的論文出發 ，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

但這其實也是一個 超參（Hyperparameter）。

最終總結

通過本文的講解，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。

sin/cos 位置編碼乍一看有點數學味，

本文不討論公式，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 ，每個詞被映射成一個向量，並經過Add & Norm。

① Input Embedding：把詞變成數字向量

模型不認識“我”、需要參考 Encoder 的輸出 。輸出 "我愛你"。什麽自注意力機製啊 、模型越大 、“你”、描述了針對同一段文字，

圖的左邊一側Input（輸入），理解力越強。也能堆更多層 。模型還是可以看到答案的一部分，其工作嚴格遵循架構圖右側流程 ，就越關注這個詞。而是實實在在的矩陣乘法結果。

同樣通過一個FFN網絡進行深度加工，

下圖是論文最後給出的一個簡單示例
，真正理解下 Transformer 究竟是何方神聖。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，DeepSeek 背後的秘密，

  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
  。從更多視角掃描句子 。

  04｜Feed Forward 網絡（FFN）
  ：進一步加工語義

  Attention層負責廣撒網
   ，上麵向右移一位沒啥意義呀，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，並再次經過Add & Norm。起不到訓練效果。