生成 "我" 時 ，輸出 "我愛你"
。最後由FFN進行深度非線性變換以增強特征表達。又暈了 ？其實通俗來講就是 ：Attention 負責找關係
，“貓”這些詞，
實際可以開12 個 、
sin/cos 位置編碼乍一看有點數學味 ，其工作嚴格遵循架構圖右側流程
，但對模型來說是非常簡單高效的
。就是下一個要生成的詞 。起不到訓練效果 。這層 Attention 是橋梁 ，可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現 。encoder 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。對這個信息進行更複雜 、逐詞生成”
。
今天我們就從這篇最初的論文出發 ，但也是理解後麵一切的起點
。並經過Add & Norm 。並在開頭加上起始符
，需要把標準答案整體右移一位
，GPT
、Llama 都堆到了幾十層甚至上百層 。
它像給每個位置貼上一段獨一無二的“節奏標簽”
，每個注意力頭可以關注不同的視角，讓 Transformer 能分辨詞的“位置”，
當提起 Transformer 這個話題時 ，
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，後麵這個字是啥，48 個甚至更多的注意力頭
，
也就是說它和上麵的 Shifted Right協同工作 ，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 ，我們以翻譯任務為例 ：輸入 "I Love You"
，真正理解下 Transformer 究竟是何方神聖。
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 ，更抽象的特征表達 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。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
，共同確保了模型無法“偷看答案” 。防止模型從未來抄答案 。
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 ，模型還是可以看到答案的一部分，成為當今所有大語言模型的基石 ，
本文不討論公式
，
所以 ，
所以需要額外告訴模型：
“這是第 1 個詞，而是實實在在的矩陣乘法結果 。
接下來 ，每個詞被映射成一個向量 ，隻能接受數字
。
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 。
首先，隻解讀圖表 ，從更多視角掃描句子。這樣模型才能表達更複雜的模式 ，
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 ，用於後續計算。“你” 、
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 ，整體代表Decoder 。模型越大、但我們肯定還不能丟掉原始信息。例如：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，
② Shifted Right ：防止模型“偷看答案”
在模型訓練階段 ，
這就是單一的 Self-Attention 。
為了理解這個過程，再通過殘差連接與LayerNorm保障訓練的穩定性 ，
比如模型要開始做這張填空卷了 。讓每個詞清楚自己的“位置”。
注意力頭的數量是一個超參（Hyperparameter）
，但若深入追問細節 ，
最後對 V 進行加權求和 ，這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ，層數越多、
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
，而不僅僅是做簡單的線性組合 。那一定要認識一下本文的主角 Transformer 。可以加更多
論文裏 Encoder Nx這裏是堆了 6 層。並再次經過Add & Norm 。向量化這一步非常基礎，也就是一組數字，得到“新含義”
。
圖的左邊一側Input（輸入） ，
06｜Decoder 如何像人一樣“輸出”內容 ？
Decoder是模型的“寫作器”，
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
、揭開 ChatGPT 、
③ Q / K / V
：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。描述了針對同一段文字
，
同樣通過一個FFN網絡進行深度加工 ，
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，論文中的例子是並行開 8 個注意力頭
。
但這其實也是一個 超參（Hyperparameter） 。
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，
模型不認識“我” 、decoder什麽的，
05｜重複 N 次 ：論文是 6 層，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 。直接抄就可以啊
，什麽自注意力機製啊 、已經成為當下所有大模型的基礎
。完美詮釋了 Attention is All You Need的革命性思想。Transformer憑借這一高度並行 、也能堆更多層。
下圖是論文最後給出的一個簡單示例，連接輸入和輸出
，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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，
喜欢
讨厌