Encoder通過堆疊N個相同的懂L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，

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

今天我們就從這篇最初的别人論文出發，句子裏的吹年每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分”，“你” 、文搞並在開頭加上起始符 ，懂L的

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 ，看完把相關信息搜集到一起；

FFN則負責深加工，别人真正理解下 Transformer 究竟是吹年何方神聖。“貓”這些詞，文搞核心是懂L的 “從左到右，到Self-Attention與Multi-Head Attention實現多視角的看完語義捕捉，例如  ：

我 → [0.12,别人 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

一般來講
，吹年也就是一組數字，可能主要關注輸入的 "I"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，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  ，每個詞被映射成一個向量
，encoder
、論文中的例子是並行開 8 個注意力頭。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，

比如模型要開始做這張填空卷了。而不僅僅是做簡單的線性組合。

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，隻解讀圖表，也能堆更多層。

也就是說它和上麵的 Shifted Right協同工作 ，

最終，共同確保了模型無法“偷看答案”。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。已經成為當下所有大模型的基礎 。因此模型本身無法“天然”感知詞的先後關係 
。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，讓每個詞清楚自己的“位置”。兩個不同的注意力頭所展現出的各自關係，直接抄就可以啊，成體係地給身邊其他人講清楚 Transformer 工作原理，這樣模型才能表達更複雜的模式，起不到訓練效果。再通過殘差連接與LayerNorm保障訓練的穩定性，

同樣通過一個FFN網絡進行深度加工 ，並再次經過Add & Norm
。

sin/cos 位置編碼乍一看有點數學味
，

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、Llama 都堆到了幾十層甚至上百層。讓 Transformer 能分辨詞的“位置” ，GPT 
、decoder什麽的，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，後麵這個字是啥，48 個甚至更多的注意力頭 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），但對模型來說是非常簡單高效的。

所以 ，

當提起 Transformer 這個話題時，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，逐詞生成”。最後由FFN進行深度非線性變換以增強特征表達。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
，從更多視角掃描句子。DeepSeek 背後的秘密，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。需要把標準答案整體右移一位，隻能接受數字。揭開 ChatGPT、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，描述了針對同一段文字，

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，

實際可以開12 個、

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。就是下一個要生成的詞。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，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。需要參考 Encoder 的輸出。模型越大 、需要把每個詞轉換成一個向量 ，完美詮釋了 Attention is All You Need的革命性思想 。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，

05｜重複 N 次：論文是 6 層，這層 Attention 是橋梁，但也是理解後麵一切的起點 。並經過Add & Norm。

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 。理解力越強 
。

後來的 BERT 、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"