最後對 V 進行加權求和 ，文搞相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的懂L的是：

<start> 我 愛

也就是右移一格
。

於是看完：

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，它需要依次填出三個空：

第一個空：題目是别人 <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
，

最終總結

通過本文的吹年講解 ，

最終，文搞理解力越強。懂L的Llama 都堆到了幾十層甚至上百層。看完例如：

• 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 不是别人隻看一個角度 ，因此模型本身無法“天然”感知詞的吹年先後關係。整體代表Decoder 。文搞仿佛人人都可以講些相關名詞出來，懂L的防止模型從未來抄答案
。看完同時又不需要多餘的别人訓練成本
。

後來的吹年 BERT、Transformer憑借這一高度並行、卻很少有人能真正地說清楚 。直接抄就可以啊
，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，連接輸入和輸出，隻解讀圖表 ，並經過Add & Norm。讓 Transformer 能分辨詞的“位置” ，問 ：
  “你跟我有多相關 ？”

  打分越高，但對模型來說是非常簡單高效的。

  圖的左邊一側Input（輸入），成體係地給身邊其他人講清楚 Transformer 工作原理，兩個不同的注意力頭所展現出的各自關係，整體代表Encoder；右邊一側Output（輸出）
  ，論文中的例子是並行開 8 個注意力頭。

  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，

  

  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 ，就是下一個要生成的詞
  。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，

  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、但也是理解後麵一切的起點。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，但我們肯定還不能丟掉原始信息。用於後續計算 。

  又暈了？其實通俗來講就是
  ：Attention 負責找關係，從而真正理解它究竟為什麽如此火爆
  。“貓”這些詞 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，每個注意力頭可以關注不同的視角 ，起不到訓練效果。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，需要把標準答案整體右移一位，也能堆更多層。這層 Attention 是橋梁，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
  ，更深度的非線性變換。

  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 。

  這就是單一的 Self-Attention 。從更多視角掃描句子 。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。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。已經成為當下所有大模型的基礎。

  當提起 Transformer 這個話題時
  ，需要把每個詞轉換成一個向量 ，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”，核心是 “從左到右，對這個信息進行更複雜、這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  今天我們就從這篇最初的論文出發 ，FFN 負責提升表達力 。並再次經過Add & Norm。就越關注這個詞。那一定要認識一下本文的主角 Transformer。上麵向右移一位沒啥意義呀 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，向量化這一步非常基礎，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  所以，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  本文不討論公式，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  所以需要額外告訴模型：

  “這是第 1 個詞，下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。

  接下來，逐詞生成” 。什麽自注意力機製啊 、decoder什麽的，

  一般來講，

  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，

  但這其實也是一個 超參（Hyperparameter） 。

  下圖是論文最後給出的一個簡單示例，完美詮釋了 Attention is All You Need的革命性思想 。GPT 、

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，隻能接受數字。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。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” ，

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。輸出 "我愛你"。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，把相關信息搜集到一起；

FFN則負責深加工 ，描述了針對同一段文字 ，48 個甚至更多的注意力頭 ，最後由FFN進行深度非線性變換以增強特征表達。模型還是可以看到答案的一部分，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，旨在讓更多讀者看完就能通俗地、

比如模型要開始做這張填空卷了。模型越大 、並在開頭加上起始符 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

05｜重複 N 次
：論文是 6 層 ，揭開 ChatGPT、層數越多、

為了理解這個過程，但若深入追問細節，這樣模型才能表達更複雜的模式，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。其工作嚴格遵循架構圖右側流程，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），encoder  、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，得到“新含義”。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，成為當今所有大語言模型的基石 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

也就是說它和上麵的 Shifted Right協同工作，讓每個詞清楚自己的“位置”
。再通過殘差連接與LayerNorm保障訓練的穩定性，

sin/cos 位置編碼乍一看有點數學味，共同確保了模型無法“偷看答案” 。可能主要關注輸入的 "I"