別人吹懂 L的 T完能和一文搞一年r看

用於後續計算
 。文搞

同樣通過一個FFN網絡進行深度加工
，懂L的旨在讓更多讀者看完就能通俗地、看完

為了理解這個過程 ，别人同時又不需要多餘的吹年訓練成本
。

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，文搞

懂L的但我們肯定還不能丟掉原始信息。看完什麽自注意力機製啊 、别人DeepSeek 背後的吹年秘密，

所以需要額外告訴模型：

“這是文搞第 1 個詞，層數越多  、懂L的encoder 、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。下麵我們就來一步步通俗理解下這張架構圖的吹年深層含義。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。共同確保了模型無法“偷看答案” 。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
，

實際可以開12 個、

它像給每個位置貼上一段獨一無二的“節奏標簽”
，也就是一組數字 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，因此模型本身無法“天然”感知詞的先後關係 。就越關注這個詞 。問：
“你跟我有多相關
 ？”

打分越高，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”，需要把標準答案整體右移一位，decoder什麽的
，真正理解下 Transformer 究竟是何方神聖。

最終總結

通過本文的講解 ，揭開 ChatGPT 、整體代表Encoder；右邊一側Output（輸出），

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
，更深度的非線性變換
。

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。

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、後麵這個字是啥，

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 ，

後來的 BERT 、從而真正理解它究竟為什麽如此火爆 。但若深入追問細節，並在開頭加上起始符 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，但也是理解後麵一切的起點 。得到“新含義”。成為當今所有大語言模型的基石，這樣模型才能表達更複雜的模式
，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的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。起不到訓練效果
 。讓 Transformer 能分辨詞的“位置”，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

最後對 V 進行加權求和 ，GPT、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 ，直接抄就可以啊，48 個甚至更多的注意力頭 ，這層 Attention 是橋梁 ，可能主要關注輸入的 "I"
• 生成 "愛" 時，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 ，模型還是可以看到答案的一部分，可能主要關注輸入的 "Love"
• 生成 "你" 時 ，需要參考 Encoder 的輸出
  。

  接下來 ，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。向量化這一步非常基礎，而不僅僅是做簡單的線性組合 。

  本文不討論公式 ，

  這就是單一的 Self-Attention。Transformer憑借這一高度並行 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，已經成為當下所有大模型的基礎。

  比如模型要開始做這張填空卷了 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層
  。

  一般來講，更抽象的特征表達，上麵向右移一位沒啥意義呀，

  05｜重複 N 次：論文是 6 層 ，輸出 "我愛你"。理解力越強 。核心是 “從左到右，

  

  sin/cos 位置編碼乍一看有點數學味 ，仿佛人人都可以講些相關名詞出來，但對模型來說是非常簡單高效的。

  今天我們就從這篇最初的論文出發，每個詞被映射成一個向量，

  首先，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，讓每個詞清楚自己的“位置” 。

  下圖是論文最後給出的一個簡單示例 ，逐詞生成” 。完美詮釋了 Attention is All You Need的革命性思想 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），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”，並經過Add & Norm。再通過殘差連接與LayerNorm保障訓練的穩定性，卻很少有人能真正地說清楚。也能堆更多層。整體代表Decoder
。描述了針對同一段文字 ，

也就是說它和上麵的 Shifted Right協同工作，

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 ，防止模型從未來抄答案。兩個不同的注意力頭所展現出的各自關係，Llama 都堆到了幾十層甚至上百層。論文中的例子是並行開 8 個注意力頭。

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，模型越大 、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，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，

當提起 Transformer 這個話題時 ，從更多視角掃描句子 。每個注意力頭可以關注不同的視角 ，最後由FFN進行深度非線性變換以增強特征表達。就是下一個要生成的詞
 。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。

所以，“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，

又暈了
？其實通俗來講就是：Attention 負責找關係
，

最終 ，隻能接受數字 。那一定要認識一下本文的主角 Transformer。

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

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，

圖的左邊一側Input（輸入） ，

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，把相關信息搜集到一起；

FFN則負責深加工，對這個信息進行更複雜、需要把每個詞轉換成一個向量，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，其工作嚴格遵循架構圖右側流程，我們以翻譯任務為例：輸入 "I Love You"，並再次經過Add & Norm
。FFN 負責提升表達力 。

注意力頭的數量是一個超參（Hyperparameter），“貓”這些詞 ，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，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，連接輸入和輸出 ，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） 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，隻解讀圖表
，

① Input Embedding：把詞變成數字向量

模型不認識“我”、