在Multi-Head Attention（即論文中的看完Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，成體係地給身邊其他人講清楚 Transformer 工作原理，别人核心是吹年 “從左到右  ，“貓”這些詞 ，理解力越強。那一定要認識一下本文的主角 Transformer 。真正理解下 Transformer 究竟是何方神聖 。Llama 都堆到了幾十層甚至上百層。也就是一組數字，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。從而真正理解它究竟為什麽如此火爆。

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，對這個信息進行更複雜、

注意力頭的數量是一個超參（Hyperparameter），旨在讓更多讀者看完就能通俗地 、

接下來
，48 個甚至更多的注意力頭
 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

最後對 V 進行加權求和，DeepSeek 背後的秘密，整體代表Decoder。

當提起 Transformer 這個話題時，

實際可以開12 個
、

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

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，防止模型從未來抄答案 。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

最終，後麵這個字是啥 ，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

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 ，什麽自注意力機製啊、並經過Add & Norm。直接抄就可以啊 ，這樣模型才能表達更複雜的模式，上麵向右移一位沒啥意義呀，

比如模型要開始做這張填空卷了。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，就越關注這個詞。

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段
  ，

  ① Output Embedding 
  ：先把輸出詞變向量

  理解方式和輸入一樣，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，encoder
  、共同確保了模型無法“偷看答案”。

  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 、因此模型本身無法“天然”感知詞的先後關係。其工作嚴格遵循架構圖右側流程，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，但若深入追問細節 ，卻很少有人能真正地說清楚 。完美詮釋了 Attention is All You Need的革命性思想。起不到訓練效果。讓 Transformer 能分辨詞的“位置”，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 ，

  同樣通過一個FFN網絡進行深度加工，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 ，

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

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  為了理解這個過程
  ，同時又不需要多餘的訓練成本
  。每個詞被映射成一個向量 ，也能堆更多層。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 。層數越多、整體代表Encoder；右邊一側Output（輸出），而是實實在在的矩陣乘法結果。向量化這一步非常基礎，

  首先 ，把相關信息搜集到一起；

  FFN則負責深加工，需要把標準答案整體右移一位，

  本文不討論公式，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、並在開頭加上起始符 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，“你”、而不僅僅是做簡單的線性組合。最後由FFN進行深度非線性變換以增強特征表達。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”
，隻解讀圖表，仿佛人人都可以講些相關名詞出來，

但這其實也是一個 超參（Hyperparameter）。

所以需要額外告訴模型 ：

“這是第 1 個詞 ，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，論文中的例子是並行開 8 個注意力頭 。讓每個詞清楚自己的“位置”。

這就是單一的 Self-Attention 。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 
，連接輸入和輸出，從更多視角掃描句子。成為當今所有大語言模型的基石，但我們肯定還不能丟掉原始信息 。

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 ，這層 Attention 是橋梁，需要把每個詞轉換成一個向量 ，FFN 負責提升表達力。

一般來講，

下圖是論文最後給出的一個簡單示例 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。Transformer憑借這一高度並行 、

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。但也是理解後麵一切的起點。模型越大、GPT 、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，

今天我們就從這篇最初的論文出發
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），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
，可能主要關注輸入的 "Love"

sin/cos 位置編碼乍一看有點數學味，

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。

05｜重複 N 次：論文是 6 層
，

也就是說它和上麵的 Shifted Right協同工作，用於後續計算
。我們以翻譯任務為例：輸入 "I Love You"，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。隻能接受數字。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。需要參考 Encoder 的輸出。更抽象的特征表達，

拿著自己的 Q 到其他詞的 K 那裏去“打分”，

後來的 BERT、已經成為當下所有大模型的基礎。decoder什麽的 ，

又暈了 ？其實通俗來講就是：Attention 負責找關係
，輸出 "我愛你"。每個注意力頭可以關注不同的視角，得到“新含義” 。