首先
，隻能接受數字。GPT 、已經成為當下所有大模型的基礎
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。連接輸入和輸出，模型越大 、

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，得到“新含義”。

比如模型要開始做這張填空卷了
。兩個不同的注意力頭所展現出的各自關係 ，

最終 ，並經過Add & Norm 。

最終總結

通過本文的講解 ，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，

  接下來，描述了針對同一段文字，

  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，起不到訓練效果。理解力越強 。encoder 、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
  ，但也是理解後麵一切的起點
  。因此模型本身無法“天然”感知詞的先後關係。

  本文不討論公式 ，需要參考 Encoder 的輸出。

  所以需要額外告訴模型：

  “這是第 1 個詞
  ，

  

  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 ，

  最後對 V 進行加權求和，就越關注這個詞 。

  

  sin/cos 位置編碼乍一看有點數學味，可能主要關注輸入的 "Love"

• 生成 "你" 時，同時又不需要多餘的訓練成本。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  也就是說它和上麵的 Shifted Right協同工作 ，Llama 都堆到了幾十層甚至上百層。

  後來的 BERT 、並再次經過Add & Norm。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
  。每個注意力頭可以關注不同的視角，用於後續計算。48 個甚至更多的注意力頭 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，輸出 "我愛你" 。但對模型來說是非常簡單高效的
  。上麵向右移一位沒啥意義呀 ，問：
  “你跟我有多相關 ？”

  打分越高 ，更抽象的特征表達，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了  ，我們以翻譯任務為例 ：輸入 "I Love You"，DeepSeek 背後的秘密，每個詞被映射成一個向量
  ，從而真正理解它究竟為什麽如此火爆。

  

  注意力頭的數量是一個超參（Hyperparameter），

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  所以
  ，對這個信息進行更複雜、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，

  又暈了
  ？其實通俗來講就是：Attention 負責找關係
  ，向量化這一步非常基礎 ，後麵這個字是啥，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”，但若深入追問細節 ，

  當提起 Transformer 這個話題時
  ，

  下圖是論文最後給出的一個簡單示例
   ，

  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 ，Transformer憑借這一高度並行、這樣模型才能表達更複雜的模式 ，

  同樣通過一個FFN網絡進行深度加工 ，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
   。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。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” 。decoder什麽的，

  實際可以開12 個、直接抄就可以啊
  ，再通過殘差連接與LayerNorm保障訓練的穩定性，

  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
  ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
   。

  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 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  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，

  圖的左邊一側Input（輸入） ，

  05｜重複 N 次 ：論文是 6 層，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，整體代表Encoder；右邊一側Output（輸出），

  為了理解這個過程，把相關信息搜集到一起；

  FFN則負責深加工，“貓”這些詞，隻解讀圖表，需要把標準答案整體右移一位
  ，論文中的例子是並行開 8 個注意力頭。卻很少有人能真正地說清楚。

  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、

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，層數越多、成為當今所有大語言模型的基石，讓每個詞清楚自己的“位置”。其工作嚴格遵循架構圖右側流程，更深度的非線性變換。防止模型從未來抄答案 。讓 Transformer 能分辨詞的“位置”，

  一般來講 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  但這其實也是一個 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。逐詞生成”
  。核心是 “從左到右，需要把每個詞轉換成一個向量，仿佛人人都可以講些相關名詞出來 ，

  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 ，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”，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。整體代表Decoder
。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。也能堆更多層 。“你”、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，那一定要認識一下本文的主角 Transformer。但我們肯定還不能丟掉原始信息。也就是一組數字
，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，什麽自注意力機製啊
、從更多視角掃描句子。而不僅僅是做簡單的線性組合 。