生成 "我" 時，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，吹年而不僅僅是做簡單的線性組合
。成為當今所有大語言模型的基石 ，
04｜Feed Forward 網絡（FFN） ：進一步加工語義
Attention層負責廣撒網 ，因此模型本身無法“天然”感知詞的先後關係 。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” ，這樣模型才能表達更複雜的模式 ，
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 ，
今天我們就從這篇最初的論文出發，
所以需要額外告訴模型 ：
“這是第 1 個詞 ，
也就是說它和上麵的 Shifted Right協同工作 ，
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
，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。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。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。並在開頭加上起始符 ，共同確保了模型無法“偷看答案”。把相關信息搜集到一起；
FFN則負責深加工 ，
sin/cos 位置編碼乍一看有點數學味
，
一般來講，這層 Attention 是橋梁 ，
同樣通過一個FFN網絡進行深度加工
，那一定要認識一下本文的主角 Transformer
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ，可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現。得到“新含義” 。可以加更多
論文裏 Encoder Nx這裏是堆了 6 層 。並再次經過Add & Norm 。可能主要關注輸入的 "I"
生成 "愛" 時 ，02｜為什麽需要 Multi-Head Attention？
有了單一的 Self-Attention
，後麵這個字是啥，問：
“你跟我有多相關 ？”
打分越高
，DeepSeek 背後的秘密，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 ，理解力越強。整體代表Decoder 。
06｜Decoder 如何像人一樣“輸出”內容 ？
Decoder是模型的“寫作器” ，從而真正理解它究竟為什麽如此火爆 。其工作嚴格遵循架構圖右側流程 ，
實際可以開12 個 、“你”
、
圖的左邊一側Input（輸入）
，逐詞生成” 。但對模型來說是非常簡單高效的 。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 。需要參考 Encoder 的輸出 。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，並經過Add & Norm。什麽自注意力機製啊
、向量化這一步非常基礎
，
③ Masked Multi-Head Attention ：遮住未來
有同學說了
，
03｜殘差連接 + LayerNorm ：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量 ，
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
、
當提起 Transformer 這個話題時
，讓每個詞清楚自己的“位置”。
後來的 BERT、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，核心是 “從左到右 ，
為了理解這個過程 ，起不到訓練效果 。
③ Q / K / V ：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。連接輸入和輸出，
05｜重複 N 次 ：論文是 6 層 ，讓 Transformer 能分辨詞的“位置”，對這個信息進行更複雜 、也能堆更多層 。
注意力頭的數量是一個超參（Hyperparameter），用於後續計算 。
它像給每個位置貼上一段獨一無二的“節奏標簽” ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，已經成為當下所有大模型的基礎 。
② Shifted Right
：防止模型“偷看答案”
在模型訓練階段 ，
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。但我們肯定還不能丟掉原始信息。需要把標準答案整體右移一位 ，
最後對 V 進行加權求和 ，從更多視角掃描句子 。
比如模型要開始做這張填空卷了 。
模型不認識“我” 、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，
① Output Embedding：先把輸出詞變向量
理解方式和輸入一樣 ，整體代表Encoder；右邊一側Output（輸出） ，FFN 負責提升表達力 。最後由FFN進行深度非線性變換以增強特征表達 。“貓”這些詞
，但若深入追問細節 ，
又暈了 ？其實通俗來講就是 ：Attention 負責找關係，我們以翻譯任務為例：輸入 "I Love You" ，
接下來
，GPT 、每個注意力頭可以關注不同的視角，
首先 ，更抽象的特征表達 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。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 ，
但這其實也是一個 超參（Hyperparameter） 。
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 ，
最終 ，每個詞被映射成一個向量 ，更深度的非線性變換 。
最終總結
通過本文的講解，層數越多、兩個不同的注意力頭所展現出的各自關係 ，
下圖是論文最後給出的一個簡單示例
，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
。描述了針對同一段文字 ，48 個甚至更多的注意力頭
，
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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。可能主要關注輸入的 "Love"
喜欢
讨厌