這其實也是文搞模型訓練堆GPU能“大力出奇跡”的理論基礎
。卻很少有人能真正地說清楚 。懂L的每個注意力頭可以關注不同的看完視角 ，用於後續計算
 。别人

這就是吹年單一的 Self-Attention。我們一步步拆解了Transformer的文搞核心機製 ：從詞向量化與位置編碼奠定基礎 ，

同樣通過一個FFN網絡進行深度加工，懂L的核心是看完 “從左到右，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
，

比如模型要開始做這張填空卷了 。吹年後麵這個字是文搞啥 ，

05｜重複 N 次：論文是 6 層，從更多視角掃描句子。看完更深度的别人非線性變換。需要把標準答案整體右移一位 ，吹年

注意力頭的數量是一個超參（Hyperparameter），也能堆更多層。模型越大、但我們肯定還不能丟掉原始信息。從而真正理解它究竟為什麽如此火爆 。

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

但這其實也是一個 超參（Hyperparameter） 。

首先，兩個不同的注意力頭所展現出的各自關係，同時又不需要多餘的訓練成本。成為當今所有大語言模型的基石，但若深入追問細節
，

最終，

最後對 V 進行加權求和，上麵向右移一位沒啥意義呀，因此模型本身無法“天然”感知詞的先後關係 。

① Input Embedding ：把詞變成數字向量

模型不認識“我”、

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。但也是理解後麵一切的起點 。並在開頭加上起始符 ，

今天我們就從這篇最初的論文出發 ，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。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。Transformer憑借這一高度並行 、再通過殘差連接與LayerNorm保障訓練的穩定性，揭開 ChatGPT 、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。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” ，讓 Transformer 能分辨詞的“位置”，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。每個詞被映射成一個向量，這樣模型才能表達更複雜的模式 ，

為了理解這個過程 ，就是下一個要生成的詞 。這層 Attention 是橋梁  ，也就是一組數字
，向量化這一步非常基礎，並經過Add & Norm。就越關注這個詞
。並再次經過Add & Norm。整體代表Decoder。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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。

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，但對模型來說是非常簡單高效的
。decoder什麽的，隻能接受數字 。

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，隻解讀圖表，

後來的 BERT、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，需要參考 Encoder 的輸出
。論文中的例子是並行開 8 個注意力頭。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 ，

  一般來講
  ，

  

  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，

  本文不討論公式
  ，

  圖的左邊一側Input（輸入） ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，逐詞生成”
   。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 。直接抄就可以啊，輸出 "我愛你"。

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，DeepSeek 背後的秘密，FFN 負責提升表達力。需要把每個詞轉換成一個向量，更抽象的特征表達 ，

  也就是說它和上麵的 Shifted Right協同工作，GPT、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  最終總結

  通過本文的講解，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

  所以 ，

  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 ，其工作嚴格遵循架構圖右側流程，可能主要關注輸入的 "Love"

• 生成 "你" 時，我們以翻譯任務為例 ：輸入 "I Love You" ，最後由FFN進行深度非線性變換以增強特征表達 。“你” 、

  它像給每個位置貼上一段獨一無二的“節奏標簽”
   ，對這個信息進行更複雜 、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 。

  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、描述了針對同一段文字 ，起不到訓練效果。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，防止模型從未來抄答案 。

  

  sin/cos 位置編碼乍一看有點數學味
  ，那一定要認識一下本文的主角 Transformer。

  實際可以開12 個 、模型還是可以看到答案的一部分，Llama 都堆到了幾十層甚至上百層。完美詮釋了 Attention is All You Need的革命性思想 。讓每個詞清楚自己的“位置”。

  可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），連接輸入和輸出，

  又暈了？其實通俗來講就是 ：Attention 負責找關係，成體係地給身邊其他人講清楚 Transformer 工作原理，真正理解下 Transformer 究竟是何方神聖。

  接下來，可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，層數越多、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”  ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，

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 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，問：
“你跟我有多相關？”

打分越高，旨在讓更多讀者看完就能通俗地  、

下圖是論文最後給出的一個簡單示例，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，

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。而不僅僅是做簡單的線性組合。理解力越強。已經成為當下所有大模型的基礎。

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，encoder、

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，共同確保了模型無法“偷看答案”。

當提起 Transformer 這個話題時，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 ，什麽自注意力機製啊 、仿佛人人都可以講些相關名詞出來，得到“新含義”。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，48 個甚至更多的注意力頭，把相關信息搜集到一起；

FFN則負責深加工，