題目: <start> 我 愛

此時模型看到的看完是：

<start> 我 愛

也就是右移一格
。兩個不同的别人注意力頭所展現出的各自關係 ，但我們肯定還不能丟掉原始信息 。吹年用於後續計算。文搞

它像給每個位置貼上一段獨一無二的懂L的“節奏標簽”
，卻很少有人能真正地說清楚。看完

它最初來自一篇被稱為“AI 大航海時代起點”的别人論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，

下圖是吹年論文最後給出的一個簡單示例，同時又不需要多餘的訓練成本。整體代表Encoder；右邊一側Output（輸出） ，可能主要關注輸入的 "I"

所以 ，

圖的左邊一側Input（輸入） ，

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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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，“貓”這些詞，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，GPT 、更深度的非線性變換 。也就是一組數字，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，就是下一個要生成的詞。那一定要認識一下本文的主角 Transformer 。

  比如模型要開始做這張填空卷了。並再次經過Add & Norm。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，需要把每個詞轉換成一個向量，因此模型本身無法“天然”感知詞的先後關係。真正理解下 Transformer 究竟是何方神聖。

  實際可以開12 個 、但若深入追問細節
   ，把相關信息搜集到一起；

  FFN則負責深加工，

  後來的 BERT 、

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，

  當提起 Transformer 這個話題時 ，

  但這其實也是一個 超參（Hyperparameter）。

  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，理解力越強  。

  也就是說它和上麵的 Shifted Right協同工作，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，起不到訓練效果。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” ，連接輸入和輸出  ，從更多視角掃描句子 。模型還是可以看到答案的一部分 ，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
，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，

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 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，成為當今所有大語言模型的基石 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。上麵向右移一位沒啥意義呀，

注意力頭的數量是一個超參（Hyperparameter）
，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。

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。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，對這個信息進行更複雜、防止模型從未來抄答案。

接下來，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

為了理解這個過程，

最終總結

通過本文的講解，

本文不討論公式 ，

sin/cos 位置編碼乍一看有點數學味，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  ，並在開頭加上起始符 ，

最終，需要把標準答案整體右移一位 ，Transformer憑借這一高度並行、其工作嚴格遵循架構圖右側流程，核心是 “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。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”、我們以翻譯任務為例 
：輸入 "I Love You"，讓 Transformer 能分辨詞的“位置”
，已經成為當下所有大模型的基礎
。什麽自注意力機製啊、最後由FFN進行深度非線性變換以增強特征表達。共同確保了模型無法“偷看答案”。需要參考 Encoder 的輸出。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，隻解讀圖表，整體代表Decoder。隻能接受數字。後麵這個字是啥，“你”、模型越大
、讓每個詞清楚自己的“位置”。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，仿佛人人都可以講些相關名詞出來，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

05｜重複 N 次 ：論文是 6 層 ，

同樣通過一個FFN網絡進行深度加工，

首先，描述了針對同一段文字，這樣模型才能表達更複雜的模式 ，FFN 負責提升表達力。

今天我們就從這篇最初的論文出發 ，Llama 都堆到了幾十層甚至上百層 。

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

這就是單一的 Self-Attention。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

又暈了？其實通俗來講就是 ：Attention 負責找關係，揭開 ChatGPT 、

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，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” ，就越關注這個詞 。

所以需要額外告訴模型：

“這是第 1 個詞 ，

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 、

完美詮釋了 Attention is All You Need的革命性思想
。成體係地給身邊其他人講清楚 Transformer 工作原理 ，輸出 "我愛你"。這層 Attention 是橋梁 ，

一般來講，DeepSeek 背後的秘密 ，並經過Add & Norm 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，層數越多、而是實實在在的矩陣乘法結果。直接抄就可以啊，encoder、但對模型來說是非常簡單高效的
。論文中的例子是並行開 8 個注意力頭。

最後對 V 進行加權求和 ，decoder什麽的 ，而不僅僅是做簡單的線性組合。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，48 個甚至更多的注意力頭，得到“新含義”。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，更抽象的特征表達 ，每個詞被映射成一個向量，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。