生成 "我" 時，讓每個詞清楚自己的“位置” 。又暈了 ？其實通俗來講就是
：Attention 負責找關係 ，
最終
，需要把每個詞轉換成一個向量 ，
這就是單一的 Self-Attention 。而不僅僅是做簡單的線性組合 。
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 、其工作嚴格遵循架構圖右側流程 ，“貓”這些詞，問
：
“你跟我有多相關 ？”
打分越高 ，
它像給每個位置貼上一段獨一無二的“節奏標簽” ，
本文不討論公式 ，已經成為當下所有大模型的基礎
。
後來的 BERT、
為了理解這個過程，
sin/cos 位置編碼乍一看有點數學味 ，同時又不需要多餘的訓練成本。論文中的例子是並行開 8 個注意力頭
。decoder什麽的 ，
首先 ，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，更深度的非線性變換
。
接下來 ，
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
，整體代表Decoder
。把相關信息搜集到一起；
FFN則負責深加工
，共同確保了模型無法“偷看答案”。層數越多 、隻能接受數字 。
② Shifted Right ：防止模型“偷看答案”
在模型訓練階段，最後由FFN進行深度非線性變換以增強特征表達 。更抽象的特征表達 ，後麵這個字是啥
，但若深入追問細節 ，
最後對 V 進行加權求和，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，
③ Q / K / V
：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。但對模型來說是非常簡單高效的。encoder 、Llama 都堆到了幾十層甚至上百層 。讓 Transformer 能分辨詞的“位置” ，48 個甚至更多的注意力頭
，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。模型越大、就是下一個要生成的詞
。這樣模型才能表達更複雜的模式 ，逐詞生成”
。但也是理解後麵一切的起點。得到“新含義” 。
所以 ，卻很少有人能真正地說清楚 。
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 ，
同樣通過一個FFN網絡進行深度加工 ，
今天我們就從這篇最初的論文出發
，並再次經過Add & Norm
。需要把標準答案整體右移一位
，就越關注這個詞。揭開 ChatGPT 、完美詮釋了 Attention is All You Need的革命性思想 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，
圖的左邊一側Input（輸入）
，GPT 、
也就是說它和上麵的 Shifted Right協同工作 ，
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 ，什麽自注意力機製啊
、整體代表Encoder；右邊一側Output（輸出） ，起不到訓練效果
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，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
，需要參考 Encoder 的輸出 。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 ，對這個信息進行更複雜 、
03｜殘差連接 + LayerNorm ：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量
，那一定要認識一下本文的主角 Transformer 。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 ，
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 ，可能主要關注輸入的 "Love"
生成 "你" 時 ，防止模型從未來抄答案 。05｜重複 N 次：論文是 6 層
，DeepSeek 背後的秘密 ，
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
，直接抄就可以啊
，
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，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 。描述了針對同一段文字 ，
04｜Feed Forward 網絡（FFN） ：進一步加工語義
Attention層負責廣撒網
，用於後續計算 。輸出 "我愛你"。
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 。也就是一組數字，並經過Add & Norm。從而真正理解它究竟為什麽如此火爆
。仿佛人人都可以講些相關名詞出來 ，
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 。從更多視角掃描句子
。
02｜為什麽需要 Multi-Head Attention ？
有了單一的 Self-Attention ，
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。
一般來講
，而是實實在在的矩陣乘法結果 。但我們肯定還不能丟掉原始信息 。因此模型本身無法“天然”感知詞的先後關係 。可能主要關注輸入的 "You"
喜欢
讨厌