打分越高，這層 Attention 是看完橋梁，需要參考 Encoder 的别人輸出 。FFN 負責提升表達力。吹年讓 Transformer 能分辨詞的文搞“位置” ，已經成為當下所有大模型的懂L的基礎
。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，可擴展的别人對稱性設計（Encoder與Decoder層具有相似的核心結構），

比如模型要開始做這張填空卷了。吹年

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網
，文搞

當提起 Transformer 這個話題時 ，懂L的從更多視角掃描句子。看完

同樣通過一個FFN網絡進行深度加工，别人encoder 、吹年

圖的左邊一側Input（輸入），就是下一個要生成的詞
。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

所以，旨在讓更多讀者看完就能通俗地
、需要把標準答案整體右移一位  ，

後來的 BERT、

為了理解這個過程
，最後由FFN進行深度非線性變換以增強特征表達。理解力越強 。模型越大 、

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、對這個信息進行更複雜
、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。但也是理解後麵一切的起點。

05｜重複 N 次：論文是 6 層，

下圖是論文最後給出的一個簡單示例，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

但這其實也是一個 超參（Hyperparameter）。

又暈了？其實通俗來講就是 ：Attention 負責找關係，整體代表Encoder；右邊一側Output（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  ，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 。層數越多 、

最後對 V 進行加權求和 ，完美詮釋了 Attention is All You Need的革命性思想。揭開 ChatGPT、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，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，這樣模型才能表達更複雜的模式
，

03｜殘差連接 + LayerNorm
 ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
 ，

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，共同確保了模型無法“偷看答案”。

今天我們就從這篇最初的論文出發，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 。例如
 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，仿佛人人都可以講些相關名詞出來
，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”，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

接下來 ，

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，更深度的非線性變換。把相關信息搜集到一起；

FFN則負責深加工，用於後續計算。同時又不需要多餘的訓練成本 。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，decoder什麽的，Llama 都堆到了幾十層甚至上百層。但對模型來說是非常簡單高效的 。並在開頭加上起始符 ，隻解讀圖表，成體係地給身邊其他人講清楚 Transformer 工作原理 ，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” ，也就是一組數字 ，再通過殘差連接與LayerNorm保障訓練的穩定性，從而真正理解它究竟為什麽如此火爆 。每個詞被映射成一個向量，

sin/cos 位置編碼乍一看有點數學味 ，

也就是說它和上麵的 Shifted Right協同工作，48 個甚至更多的注意力頭，什麽自注意力機製啊、

所以需要額外告訴模型 ：

“這是第 1 個詞，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。成為當今所有大語言模型的基石 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。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，

本文不討論公式 ，

③ Masked Multi-Head Attention
：遮住未來

有同學說了 ，讓每個詞清楚自己的“位置”。

實際可以開12 個、直接抄就可以啊 ，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，論文中的例子是並行開 8 個注意力頭 。整體代表Decoder
。兩個不同的注意力頭所展現出的各自關係，需要把每個詞轉換成一個向量 ，

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

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
，上麵向右移一位沒啥意義呀，

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

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，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。得到“新含義”。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，描述了針對同一段文字 ，因此模型本身無法“天然”感知詞的先後關係 。並再次經過Add & Norm。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 。但我們肯定還不能丟掉原始信息 。GPT 、

最終，可能主要關注輸入的 "I"

生成 "愛" 時，

首先，逐詞生成”。真正理解下 Transformer 究竟是何方神聖。“貓”這些詞，連接輸入和輸出
，

一般來講，但若深入追問細節，

最終總結

通過本文的講解 ，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 ，

  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 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，我們以翻譯任務為例：輸入 "I Love You" ，

  這就是單一的 Self-Attention
   。隻能接受數字。而不僅僅是做簡單的線性組合 。DeepSeek 背後的秘密 ，防止模型從未來抄答案。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，每個注意力頭可以關注不同的視角 ，

  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
  。“你” 、卻很少有人能真正地說清楚 。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、可能主要關注輸入的 "Love"

• 生成 "你" 時，起不到訓練效果
  。輸出 "我愛你"。Transformer憑借這一高度並行、