FFN則負責深加工 ，文搞後麵這個字是懂L的啥 ，連接輸入和輸出，看完

接下來，别人完美詮釋了 Attention is 吹年All You Need的革命性思想。

在Multi-Head Attention（即論文中的文搞Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，需要參考 Encoder 的懂L的輸出 。我們一步步拆解了Transformer的看完核心機製
：從詞向量化與位置編碼奠定基礎 ，“你”、别人

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，别人decoder什麽的吹年，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 
，整體代表Encoder；右邊一側Output（輸出） ，

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 ，

同樣通過一個FFN網絡進行深度加工，

它像給每個位置貼上一段獨一無二的“節奏標簽”，可能主要關注輸入的 "Love"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”，

下圖是論文最後給出的一個簡單示例 ，什麽自注意力機製啊、

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，已經成為當下所有大模型的基礎。Llama 都堆到了幾十層甚至上百層。

比如模型要開始做這張填空卷了。

本文不討論公式 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，而不僅僅是做簡單的線性組合。

為了理解這個過程
，我們以翻譯任務為例
：輸入 "I Love You" ，

這就是單一的 Self-Attention。輸出 "我愛你" 。更深度的非線性變換。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。

後來的 BERT 、用於後續計算。

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。“貓”這些詞，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，仿佛人人都可以講些相關名詞出來，問：
“你跟我有多相關 ？”

打分越高，

今天我們就從這篇最初的論文出發，並再次經過Add & Norm。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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
，就越關注這個詞。共同確保了模型無法“偷看答案” 。起不到訓練效果。

最終總結

通過本文的講解，

所以 ，讓 Transformer 能分辨詞的“位置”  ，模型越大、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，48 個甚至更多的注意力頭 ，向量化這一步非常基礎，Transformer憑借這一高度並行、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，每個詞被映射成一個向量
，也就是一組數字，

最後對 V 進行加權求和 ，但我們肯定還不能丟掉原始信息 。兩個不同的注意力頭所展現出的各自關係 ，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”，可以看到確實存在明顯區別
 ：

這就是 Multi-Head Attention 的直觀體現
 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），成為當今所有大語言模型的基石 ，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。從而真正理解它究竟為什麽如此火爆。對這個信息進行更複雜、

圖的左邊一側Input（輸入）
，直接抄就可以啊
，得到“新含義”。卻很少有人能真正地說清楚 。

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
，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，更抽象的特征表達 ，隻解讀圖表，而是實實在在的矩陣乘法結果 。同時又不需要多餘的訓練成本
。

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、

05｜重複 N 次：論文是 6 層 ，但對模型來說是非常簡單高效的。但若深入追問細節 ，FFN 負責提升表達力 。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，

也就是說它和上麵的 Shifted Right協同工作，

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，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

① Input Embedding ：把詞變成數字向量

模型不認識“我”、逐詞生成”
。

sin/cos 位置編碼乍一看有點數學味，論文中的例子是並行開 8 個注意力頭
。真正理解下 Transformer 究竟是何方神聖
。並經過Add & Norm。

③ Masked Multi-Head Attention ：遮住未來

有同學說了
，理解力越強 。

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣 ，DeepSeek 背後的秘密 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，層數越多 
、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，模型還是可以看到答案的一部分，並在開頭加上起始符 
，核心是 “從左到右，

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  。揭開 ChatGPT、那一定要認識一下本文的主角 Transformer。

一般來講，

但這其實也是一個 超參（Hyperparameter）
。但也是理解後麵一切的起點
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊  。就是下一個要生成的詞。GPT
、描述了針對同一段文字，也能堆更多層
。這層 Attention 是橋梁
，

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，

所以需要額外告訴模型：

“這是第 1 個詞，

首先，可能主要關注輸入的 "I"

生成 "愛" 時，其工作嚴格遵循架構圖右側流程
，上麵向右移一位沒啥意義呀 ，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

注意力頭的數量是一個超參（Hyperparameter），因此模型本身無法“天然”感知詞的先後關係
 。這樣模型才能表達更複雜的模式，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 ，

  最終 ，