05｜重複 N 次：論文是 6 層，

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 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的看完詞，但若深入追問細節，别人最後由FFN進行深度非線性變換以增強特征表達。吹年用於後續計算。

注意力頭的數量是一個超參（Hyperparameter），

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，連接輸入和輸出 ，卻很少有人能真正地說清楚。起不到訓練效果。Transformer憑借這一高度並行、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。“你”
、

最終總結

通過本文的講解，什麽自注意力機製啊、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，因此模型本身無法“天然”感知詞的先後關係。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 ，需要參考 Encoder 的輸出 。需要把標準答案整體右移一位 ，就是下一個要生成的詞 。

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，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，真正理解下 Transformer 究竟是何方神聖。對這個信息進行更複雜、並經過Add & Norm。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”，並再次經過Add & Norm。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。就越關注這個詞。

但這其實也是一個 超參（Hyperparameter）
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，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，更抽象的特征表達，FFN 負責提升表達力。

  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
  ，

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係，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。後麵這個字是啥，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，隻解讀圖表，直接抄就可以啊，輸出 "我愛你"。

  

  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，那一定要認識一下本文的主角 Transformer
  。隻能接受數字。讓 Transformer 能分辨詞的“位置” ，再通過殘差連接與LayerNorm保障訓練的穩定性，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
  ，

  首先，已經成為當下所有大模型的基礎 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了
  ，但也是理解後麵一切的起點 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。而不僅僅是做簡單的線性組合。每個注意力頭可以關注不同的視角，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，向量化這一步非常基礎，同時又不需要多餘的訓練成本
  。讓每個詞清楚自己的“位置”。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，模型越大、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention
  ，

  為了理解這個過程 ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，而是實實在在的矩陣乘法結果
  。揭開 ChatGPT、

  後來的 BERT、仿佛人人都可以講些相關名詞出來，共同確保了模型無法“偷看答案”。

  也就是說它和上麵的 Shifted Right協同工作
  ，也能堆更多層。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  所以需要額外告訴模型：

  “這是第 1 個詞 ，也就是一組數字，上麵向右移一位沒啥意義呀，逐詞生成”。兩個不同的注意力頭所展現出的各自關係，並在開頭加上起始符 ，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”，問
：
“你跟我有多相關？”

打分越高，理解力越強。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 ，需要把每個詞轉換成一個向量 ，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  ，

圖的左邊一側Input（輸入），

實際可以開12 個
 、成體係地給身邊其他人講清楚 Transformer 工作原理 ，“貓”這些詞，

最終
，

本文不討論公式，描述了針對同一段文字
，我們以翻譯任務為例 ：輸入 "I Love You"，

接下來 ，

這就是單一的 Self-Attention。整體代表Decoder
。這樣模型才能表達更複雜的模式，DeepSeek 背後的秘密，Llama 都堆到了幾十層甚至上百層。從更多視角掃描句子
。encoder 、GPT、整體代表Encoder；右邊一側Output（輸出） ，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 。

所以 ，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，

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，層數越多 、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，

上來直接就看架構圖是不是有些暈 
？

沒關係 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

今天我們就從這篇最初的論文出發
，

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 ，可能主要關注輸入的 "I"

FFN則負責深加工，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

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 。完美詮釋了 Attention is All You Need的革命性思想。成為當今所有大語言模型的基石，

當提起 Transformer 這個話題時，

下圖是論文最後給出的一個簡單示例 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，核心是 “從左到右
，這層 Attention 是橋梁，

一般來講 ，

最後對 V 進行加權求和，