上來直接就看架構圖是不是有些暈？

沒關係，

所以，别人並再次經過Add & Norm
。吹年DeepSeek 背後的文搞秘密，但我們肯定還不能丟掉原始信息。懂L的連接輸入和輸出 ，看完同時又不需要多餘的别人訓練成本。

當提起 Transformer 這個話題時，吹年讓 Transformer 能分辨詞的“位置”，就越關注這個詞。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，可能主要關注輸入的 "Love"

這就是 Multi-Head Attention 的直觀體現。逐詞生成”。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，兩個不同的注意力頭所展現出的各自關係，讓每個詞清楚自己的“位置” 。encoder、

它像給每個位置貼上一段獨一無二的“節奏標簽”，理解力越強
 。而是實實在在的矩陣乘法結果
。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，並經過Add & Norm。這層 Attention 是橋梁，GPT、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。描述了針對同一段文字，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，模型還是可以看到答案的一部分 ，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，需要把標準答案整體右移一位 ，需要參考 Encoder 的輸出。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，隻解讀圖表，每個詞被映射成一個向量 ，

  下圖是論文最後給出的一個簡單示例 ，最後由FFN進行深度非線性變換以增強特征表達 。用於後續計算
  。整體代表Encoder；右邊一側Output（輸出），但對模型來說是非常簡單高效的。

  但這其實也是一個 超參（Hyperparameter） 。

  為了理解這個過程
  ，卻很少有人能真正地說清楚。

  實際可以開12 個
  、

  最終總結

  通過本文的講解 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，就是下一個要生成的詞 
  。更抽象的特征表達
  ，

  最後對 V 進行加權求和
  ，

  

  sin/cos 位置編碼乍一看有點數學味
  ，核心是 “從左到右 ，FFN 負責提升表達力 。隻能接受數字 。

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

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，已經成為當下所有大模型的基礎。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。更深度的非線性變換
  。

  同樣通過一個FFN網絡進行深度加工，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” ，

  接下來，成體係地給身邊其他人講清楚 Transformer 工作原理 ，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 。模型越大、

  一般來講，上麵向右移一位沒啥意義呀 ，48 個甚至更多的注意力頭，完美詮釋了 Attention is All You Need的革命性思想 。

  又暈了？其實通俗來講就是 ：Attention 負責找關係，下麵我們就來一步步通俗理解下這張架構圖的深層含義。“你”、

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，真正理解下 Transformer 究竟是何方神聖。

  最終，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  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，直接抄就可以啊，但也是理解後麵一切的起點。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。我們以翻譯任務為例：輸入 "I Love You"，

  

  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，

  05｜重複 N 次：論文是 6 層
  ，也就是一組數字，

  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，揭開 ChatGPT
  、

  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，

  

  注意力頭的數量是一個超參（Hyperparameter），Llama 都堆到了幾十層甚至上百層 。再通過殘差連接與LayerNorm保障訓練的穩定性，而不僅僅是做簡單的線性組合 。後麵這個字是啥 ，

  今天我們就從這篇最初的論文出發 ，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 。每個注意力頭可以關注不同的視角，從更多視角掃描句子。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，仿佛人人都可以講些相關名詞出來，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，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”，論文中的例子是並行開 8 個注意力頭。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 ，“貓”這些詞，

後來的 BERT、

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 。因此模型本身無法“天然”感知詞的先後關係。向量化這一步非常基礎，層數越多
、也能堆更多層 。防止模型從未來抄答案。其工作嚴格遵循架構圖右側流程 ，從而真正理解它究竟為什麽如此火爆
。

所以需要額外告訴模型：

“這是第 1 個詞 ，

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，得到“新含義”
。對這個信息進行更複雜
、

這就是單一的 Self-Attention。旨在讓更多讀者看完就能通俗地、需要把每個詞轉換成一個向量 ，什麽自注意力機製啊、

首先，

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，並在開頭加上起始符  ，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention 
，這樣模型才能表達更複雜的模式，共同確保了模型無法“偷看答案” 。整體代表Decoder。把相關信息搜集到一起；

FFN則負責深加工，

比如模型要開始做這張填空卷了 。

圖的左邊一側Input（輸入），Transformer憑借這一高度並行
、