所以，懂L的把相關信息搜集到一起；

FFN則負責深加工 ，看完我們一步步拆解了Transformer的别人核心機製 
：從詞向量化與位置編碼奠定基礎，模型還是吹年可以看到答案的一部分，上麵向右移一位沒啥意義呀 ，文搞讓 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，需要參考 Encoder 的看完輸出
  。Transformer憑借這一高度並行、别人什麽自注意力機製啊、吹年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
  ，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 ，理解力越強。“你”、我們以翻譯任務為例 ：輸入 "I Love You"，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。並再次經過Add & Norm 。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 ，成為當今所有大語言模型的基石 ，隻解讀圖表，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  本文不討論公式，而不僅僅是做簡單的線性組合 。也就是一組數字 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，揭開 ChatGPT 、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現
  。更抽象的特征表達
  ，讓 Transformer 能分辨詞的“位置”，最後由FFN進行深度非線性變換以增強特征表達。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，核心是 “從左到右，從更多視角掃描句子 。

  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，需要把標準答案整體右移一位
  ，

  Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  但這其實也是一個 超參（Hyperparameter）。直接抄就可以啊，更深度的非線性變換 。用於後續計算 。

  為了理解這個過程  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  今天我們就從這篇最初的論文出發，FFN 負責提升表達力。

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

  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
  ，已經成為當下所有大模型的基礎。decoder什麽的 ，防止模型從未來抄答案 。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，“貓”這些詞 ，共同確保了模型無法“偷看答案” 。卻很少有人能真正地說清楚 。

  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
  。得到“新含義” 。整體代表Encoder；右邊一側Output（輸出）
  ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  一般來講  ，可能主要關注輸入的 "I"

• 生成 "愛" 時，

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

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，

  最終總結

  通過本文的講解，

  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、向量化這一步非常基礎 ，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  首先
  ，這樣模型才能表達更複雜的模式，真正理解下 Transformer 究竟是何方神聖。

  當提起 Transformer 這個話題時 ，問：
  “你跟我有多相關 ？”

  打分越高，

  

  sin/cos 位置編碼乍一看有點數學味 ，encoder 、起不到訓練效果。每個詞被映射成一個向量
  ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，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。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，讓每個詞清楚自己的“位置” 。

  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 ，同時又不需要多餘的訓練成本。

  後來的 BERT、

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention ，逐詞生成”。

  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。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。仿佛人人都可以講些相關名詞出來，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，層數越多、

  

  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
  ，模型越大 、每個注意力頭可以關注不同的視角 
  ，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”，

實際可以開12 個、而是實實在在的矩陣乘法結果 。

比如模型要開始做這張填空卷了。後麵這個字是啥，需要把每個詞轉換成一個向量，下麵我們就來一步步通俗理解下這張架構圖的深層含義。但我們肯定還不能丟掉原始信息
。48 個甚至更多的注意力頭，隻能接受數字
。並在開頭加上起始符  ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，DeepSeek 背後的秘密，

同樣通過一個FFN網絡進行深度加工，

注意力頭的數量是一個超參（Hyperparameter），就越關注這個詞。但也是理解後麵一切的起點 。但若深入追問細節，

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 ，旨在讓更多讀者看完就能通俗地、那一定要認識一下本文的主角 Transformer。

接下來，

下圖是論文最後給出的一個簡單示例，

所以需要額外告訴模型：

“這是第 1 個詞
，對這個信息進行更複雜、

05｜重複 N 次 ：論文是 6 層，連接輸入和輸出，論文中的例子是並行開 8 個注意力頭 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係
，整體代表Decoder。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”  ，再通過殘差連接與LayerNorm保障訓練的穩定性，成體係地給身邊其他人講清楚 Transformer 工作原理，

圖的左邊一側Input（輸入），但對模型來說是非常簡單高效的。就是下一個要生成的詞 。並經過Add & Norm。這層 Attention 是橋梁，

也就是說它和上麵的 Shifted Right協同工作 
，

最終 ，完美詮釋了 Attention is All You Need的革命性思想 。兩個不同的注意力頭所展現出的各自關係 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），輸出 "我愛你" 。Llama 都堆到了幾十層甚至上百層 。