別人吹懂 L的 T完能和一文搞一年r看

我們以翻譯任務為例
：輸入 "I Love You"，文搞每個詞被映射成一個向量，懂L的模型越大、看完

這其實也是别人模型訓練堆GPU能“大力出奇跡”的理論基礎。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

所以需要額外告訴模型 ：

“這是文搞第 1 個詞 ，揭開 ChatGPT 、懂L的核心是看完 “從左到右 ，已經成為當下所有大模型的别人基礎 。

最終，吹年encoder 、文搞為啥又需要 Multi-Head Attention 呢
？懂L的

因為我們需要從多個角度來理解自然語言。並最終經過Add & Norm後輸出給下一層或最終的看完預測模塊。上麵向右移一位沒啥意義呀 ，别人什麽自注意力機製啊、吹年

① Input Embedding：把詞變成數字向量

模型不認識“我”、整體代表Decoder 。

所以
，

後來的 BERT 、

這就是單一的 Self-Attention 。

為了理解這個過程
 ，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

當提起 Transformer 這個話題時，48 個甚至更多的注意力頭，對這個信息進行更複雜 、最後由FFN進行深度非線性變換以增強特征表達。但對模型來說是非常簡單高效的。也就是一組數字，這樣模型才能表達更複雜的模式
，把相關信息搜集到一起；

FFN則負責深加工，“貓”這些詞，問 ：
“你跟我有多相關 ？”

打分越高，就是下一個要生成的詞。

圖的左邊一側Input（輸入） ，得到“新含義”。但若深入追問細節，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” ，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，

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 ，層數越多、

比如模型要開始做這張填空卷了。Transformer憑借這一高度並行、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，也能堆更多層。可能主要關注輸入的 "Love"

生成 "你" 時，

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，需要參考 Encoder 的輸出。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。成體係地給身邊其他人講清楚 Transformer 工作原理，

本文不討論公式 ，每個注意力頭可以關注不同的視角 ，需要把每個詞轉換成一個向量，模型還是可以看到答案的一部分，輸出 "我愛你"。這層 Attention 是橋梁，從更多視角掃描句子
。下麵我們就來一步步通俗理解下這張架構圖的深層含義
。

05｜重複 N 次 ：論文是 6 層
，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”，因此模型本身無法“天然”感知詞的先後關係。而不僅僅是做簡單的線性組合。

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。成為當今所有大語言模型的基石，

接下來，GPT、向量化這一步非常基礎，防止模型從未來抄答案。更深度的非線性變換 。

最終總結

通過本文的講解，但我們肯定還不能丟掉原始信息。連接輸入和輸出，並再次經過Add & Norm。decoder什麽的，讓每個詞清楚自己的“位置”。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，卻很少有人能真正地說清楚
。

注意力頭的數量是一個超參（Hyperparameter） ，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
，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，後麵這個字是啥，

實際可以開12 個 、隻能接受數字。理解力越強。DeepSeek 背後的秘密，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

一般來講，FFN 負責提升表達力 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。需要把標準答案整體右移一位 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，同時又不需要多餘的訓練成本。從而真正理解它究竟為什麽如此火爆 。Llama 都堆到了幾十層甚至上百層。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），整體代表Encoder；右邊一側Output（輸出）
，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，再通過殘差連接與LayerNorm保障訓練的穩定性 ，隻解讀圖表
，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，那一定要認識一下本文的主角 Transformer 。並在開頭加上起始符  ，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
 ，論文中的例子是並行開 8 個注意力頭 。

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 
。其工作嚴格遵循架構圖右側流程，完美詮釋了 Attention is All You Need的革命性思想。

首先 ，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
，

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，

同樣通過一個FFN網絡進行深度加工，而是實實在在的矩陣乘法結果。旨在讓更多讀者看完就能通俗地、用於後續計算 。起不到訓練效果 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，讓 Transformer 能分辨詞的“位置”，就越關注這個詞
。“你”  、

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、

也就是說它和上麵的 Shifted Right協同工作，

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） 
。更抽象的特征表達，

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，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，逐詞生成”
  。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。

  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 ，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現
  。真正理解下 Transformer 究竟是何方神聖。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了  ，可能主要關注輸入的 "I"

• 生成 "愛" 時，並經過Add & Norm。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，共同確保了模型無法“偷看答案”。仿佛人人都可以講些相關名詞出來，

  

  sin/cos 位置編碼乍一看有點數學味 ，直接抄就可以啊
  ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，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
  ，

  又暈了
  ？其實通俗來講就是 ：Attention 負責找關係，

  下圖是論文最後給出的一個簡單示例，兩個不同的注意力頭所展現出的各自關係 ，

  最後對 V 進行加權求和，