它最初來自一篇被稱為“AI 大航海時代起點”的懂L的論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構 ，讓 Transformer 能分辨詞的看完“位置”，

注意力頭的别人數量是一個超參（Hyperparameter），

首先
，吹年

Encoder通過堆疊N個相同的文搞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 ，逐詞生成” 。懂L的例如 ：

• 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 不是看完隻看一個角度，輸出 "我愛你"。别人每個詞被映射成一個向量，吹年整體代表Decoder
。文搞

05｜重複 N 次：論文是 6 層 ，隻能接受數字 。看完而不僅僅是别人做簡單的線性組合。可能主要關注輸入的吹年 "Love"

生成 "你" 時，

圖的左邊一側Input（輸入），

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 
。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，“貓”這些詞，直接抄就可以啊，

一般來講
，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”
，

最終  ，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。得到“新含義” 。同時又不需要多餘的訓練成本。需要把每個詞轉換成一個向量，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，因此模型本身無法“天然”感知詞的先後關係。

當提起 Transformer 這個話題時，向量化這一步非常基礎
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，核心是 “從左到右
，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”
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

所以需要額外告訴模型：

“這是第 1 個詞，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

同樣通過一個FFN網絡進行深度加工，48 個甚至更多的注意力頭 ，對這個信息進行更複雜、用於後續計算。就越關注這個詞。

① Input Embedding
 ：把詞變成數字向量

模型不認識“我” 、什麽自注意力機製啊、

但這其實也是一個 超參（Hyperparameter）
。

③ Masked Multi-Head Attention：遮住未來

有同學說了，其工作嚴格遵循架構圖右側流程，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，連接輸入和輸出，FFN 負責提升表達力
 。encoder、

所以 ，並再次經過Add & Norm。

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，也能堆更多層 。需要把標準答案整體右移一位，

本文不討論公式，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、這樣模型才能表達更複雜的模式 ，揭開 ChatGPT 、

為了理解這個過程，而是實實在在的矩陣乘法結果。成體係地給身邊其他人講清楚 Transformer 工作原理 ，隻解讀圖表，最後由FFN進行深度非線性變換以增強特征表達。旨在讓更多讀者看完就能通俗地、兩個不同的注意力頭所展現出的各自關係 
，後麵這個字是啥，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。描述了針對同一段文字 ，但對模型來說是非常簡單高效的。就是下一個要生成的詞。上麵向右移一位沒啥意義呀，從更多視角掃描句子。

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。“你”、卻很少有人能真正地說清楚。理解力越強。Llama 都堆到了幾十層甚至上百層。把相關信息搜集到一起；

FFN則負責深加工 ，整體代表Encoder；右邊一側Output（輸出），防止模型從未來抄答案。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 。也就是一組數字，

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 ，DeepSeek 背後的秘密，這層 Attention 是橋梁 ，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，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，decoder什麽的，起不到訓練效果 。更抽象的特征表達 ，

後來的 BERT
、需要參考 Encoder 的輸出。成為當今所有大語言模型的基石 ，

這就是單一的 Self-Attention。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。每個注意力頭可以關注不同的視角 ，模型還是可以看到答案的一部分，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），GPT 、更深度的非線性變換 。

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 ，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 ，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
。問：
“你跟我有多相關？”

打分越高，並經過Add & Norm。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 ，仿佛人人都可以講些相關名詞出來，

  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、

  實際可以開12 個
  、

  又暈了
  ？其實通俗來講就是：Attention 負責找關係，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

接下來，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，完美詮釋了 Attention is All You Need的革命性思想 。已經成為當下所有大模型的基礎
。並在開頭加上起始符  ，論文中的例子是並行開 8 個注意力頭
。

下圖是論文最後給出的一個簡單示例，

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

最後對 V 進行加權求和，下麵我們就來一步步通俗理解下這張架構圖的深層含義。可能主要關注輸入的 "I"

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 ______