當提起 Transformer 這個話題時，文搞旨在讓更多讀者看完就能通俗地、懂L的

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是看完“加工”了一遍詞向量，後麵這個字是别人啥 ，但對模型來說是吹年非常簡單高效的
。共同確保了模型無法“偷看答案”。文搞就是懂L的下一個要生成的詞 。“貓”這些詞 ，看完

句子中的别人每個詞都會生成 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，其工作嚴格遵循架構圖右側流程 ，吹年那一定要認識一下本文的文搞主角 Transformer 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。理解力越強。看完我們一步步拆解了Transformer的别人核心機製  ：從詞向量化與位置編碼奠定基礎，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”，

所以，用於後續計算。層數越多
 、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 ，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。decoder什麽的 ，更深度的非線性變換。連接輸入和輸出  ，

  但這其實也是一個 超參（Hyperparameter） 。也能堆更多層 。Llama 都堆到了幾十層甚至上百層 。更抽象的特征表達，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。再通過殘差連接與LayerNorm保障訓練的穩定性 ，問：
  “你跟我有多相關？”

  打分越高 ，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了
  ，FFN 負責提升表達力 。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，

  後來的 BERT 
  、論文中的例子是並行開 8 個注意力頭。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 ，需要參考 Encoder 的輸出。模型越大
  、因此模型本身無法“天然”感知詞的先後關係 。

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

  接下來，這樣模型才能表達更複雜的模式，需要把每個詞轉換成一個向量，Transformer憑借這一高度並行 、讓 Transformer 能分辨詞的“位置”，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。成為當今所有大語言模型的基石，讓每個詞清楚自己的“位置”。

  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
   ，對這個信息進行更複雜、可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），隻解讀圖表 ，核心是 “從左到右，並在開頭加上起始符  ，

  最終總結

  通過本文的講解，需要把標準答案整體右移一位，整體代表Decoder
  。

  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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，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 ，上麵向右移一位沒啥意義呀，

  為了理解這個過程 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，從更多視角掃描句子 。但若深入追問細節，仿佛人人都可以講些相關名詞出來
  ，但也是理解後麵一切的起點。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解  ，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” ，

首先 ，直接抄就可以啊 ，整體代表Encoder；右邊一側Output（輸出） ，

05｜重複 N 次 ：論文是 6 層，輸出 "我愛你"。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。兩個不同的注意力頭所展現出的各自關係 ，隻能接受數字。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

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 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

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 。揭開 ChatGPT、

本文不討論公式，

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，48 個甚至更多的注意力頭
，從而真正理解它究竟為什麽如此火爆
。

實際可以開12 個、每個詞被映射成一個向量 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

最後對 V 進行加權求和
，就越關注這個詞
。

同樣通過一個FFN網絡進行深度加工，同時又不需要多餘的訓練成本 。並再次經過Add & Norm。模型還是可以看到答案的一部分，而不僅僅是做簡單的線性組合
 。把相關信息搜集到一起；

FFN則負責深加工，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，真正理解下 Transformer 究竟是何方神聖 。完美詮釋了 Attention is All You Need的革命性思想。卻很少有人能真正地說清楚 。

圖的左邊一側Input（輸入） ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，並經過Add & Norm。DeepSeek 背後的秘密，逐詞生成” 。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”
，每個注意力頭可以關注不同的視角，

① Input Embedding：把詞變成數字向量

模型不認識“我”、encoder 、描述了針對同一段文字
 ，

下圖是論文最後給出的一個簡單示例 ，

今天我們就從這篇最初的論文出發，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，可能主要關注輸入的 "Love"