當提起 Transformer 這個話題時，文搞揭開 ChatGPT、懂L的

本文不討論公式 ，别人對這個信息進行更複雜、吹年可以加更多

論文裏 Encoder Nx這裏是文搞堆了 6 層。什麽自注意力機製啊 、懂L的已經成為當下所有大模型的看完基礎
。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，别人這樣模型才能表達更複雜的吹年模式，

所以需要額外告訴模型 ：

“這是文搞第 1 個詞 ，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 不是懂L的隻看一個角度，論文中的看完例子是並行開 8 個注意力頭。

於是别人：

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 ，核心是吹年 “從左到右，

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 。

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，就越關注這個詞。

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 ，描述了針對同一段文字 ，讓 Transformer 能分辨詞的“位置” ，GPT 、

注意力頭的數量是一個超參（Hyperparameter）
，那一定要認識一下本文的主角 Transformer 。成為當今所有大語言模型的基石，

一般來講，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。Llama 都堆到了幾十層甚至上百層
。

所以，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，

但這其實也是一個 超參（Hyperparameter） 。層數越多 、

這就是單一的 Self-Attention。而是實實在在的矩陣乘法結果 。

又暈了？其實通俗來講就是
：Attention 負責找關係 ，

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

今天我們就從這篇最初的論文出發，起不到訓練效果 。

③ Masked Multi-Head Attention：遮住未來

有同學說了，也就是一組數字
，成體係地給身邊其他人講清楚 Transformer 工作原理，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網，防止模型從未來抄答案。

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
，理解力越強。逐詞生成”。

也就是說它和上麵的 Shifted Right協同工作，但也是理解後麵一切的起點。更抽象的特征表達 ，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。旨在讓更多讀者看完就能通俗地、整體代表Decoder 。

圖的左邊一側Input（輸入） ，需要參考 Encoder 的輸出 
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，每個詞被映射成一個向量，也能堆更多層。

為了理解這個過程 ，

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，上麵向右移一位沒啥意義呀 ，但若深入追問細節，

它像給每個位置貼上一段獨一無二的“節奏標簽” 
，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 ，讓每個詞清楚自己的“位置” 。就是下一個要生成的詞 。需要把標準答案整體右移一位，完美詮釋了 Attention is All You Need的革命性思想。

最終總結

通過本文的講解，

05｜重複 N 次：論文是 6 層，

最後對 V 進行加權求和，卻很少有人能真正地說清楚 。更深度的非線性變換。“你”、隻解讀圖表，DeepSeek 背後的秘密，連接輸入和輸出，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，直接抄就可以啊，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。用於後續計算
。但我們肯定還不能丟掉原始信息 。

比如模型要開始做這張填空卷了 。可能主要關注輸入的 "I"

生成 "愛" 時 ，輸出 "我愛你"
。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，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，兩個不同的注意力頭所展現出的各自關係 ，

  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、Transformer憑借這一高度並行 、

  後來的 BERT、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” ，下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。encoder、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並再次經過Add & Norm。我們以翻譯任務為例：輸入 "I Love You"
  ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，從更多視角掃描句子。模型還是可以看到答案的一部分，把相關信息搜集到一起；

FFN則負責深加工 ，並在開頭加上起始符
，問 ：
“你跟我有多相關？”

打分越高，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，而不僅僅是做簡單的線性組合。仿佛人人都可以講些相關名詞出來  ，

首先，模型越大、

最終，

實際可以開12 個、整體代表Encoder；右邊一側Output（輸出），decoder什麽的
，

下圖是論文最後給出的一個簡單示例，共同確保了模型無法“偷看答案”。需要把每個詞轉換成一個向量
，從而真正理解它究竟為什麽如此火爆 
。因此模型本身無法“天然”感知詞的先後關係
。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，得到“新含義”。可能主要關注輸入的 "Love"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。真正理解下 Transformer 究竟是何方神聖 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、

sin/cos 位置編碼乍一看有點數學味 ，但對模型來說是非常簡單高效的。這層 Attention 是橋梁 ，最後由FFN進行深度非線性變換以增強特征表達。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，每個注意力頭可以關注不同的視角 ，

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，再通過殘差連接與LayerNorm保障訓練的穩定性，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，可以看到確實存在明顯區別 
：

這就是 Multi-Head Attention 的直觀體現。

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 ，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，隻能接受數字 。其工作嚴格遵循架構圖右側流程 ，FFN 負責提升表達力 。並經過Add & Norm 。