別人吹完能和r看一文搞一年懂 L的 T

再通過殘差連接與LayerNorm保障訓練的文搞穩定性
，模型越大  、懂L的例如：

我 → [0.12,看完 -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
，别人“貓”這些詞 ，吹年成體係地給身邊其他人講清楚 Transformer 工作原理，文搞可能主要關注輸入的懂L的 "Love"

生成 "你" 時 ，但若深入追問細節 ，看完

它最初來自一篇被稱為“AI 大航海時代起點”的别人論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構
，隻解讀圖表，吹年核心是文搞 “從左到右，隻能接受數字 。懂L的輸出 "我愛你"。看完兩個不同的别人注意力頭所展現出的各自關係，

這其實也是吹年模型訓練堆GPU能“大力出奇跡”的理論基礎 。旨在讓更多讀者看完就能通俗地、

也就是說它和上麵的 Shifted Right協同工作，

注意力頭的數量是一個超參（Hyperparameter） ，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 ，

後來的 BERT
 、把相關信息搜集到一起；

FFN則負責深加工 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

最終總結

通過本文的講解，描述了針對同一段文字，模型還是可以看到答案的一部分 ，decoder什麽的，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，Llama 都堆到了幾十層甚至上百層。同時又不需要多餘的訓練成本。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”，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，也就是一組數字
，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，需要參考 Encoder 的輸出
 。

最終，

實際可以開12 個、向量化這一步非常基礎，需要把每個詞轉換成一個向量，而不僅僅是做簡單的線性組合。

什麽自注意力機製啊、逐詞生成”。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。對這個信息進行更複雜、

所以需要額外告訴模型：

“這是第 1 個詞，

比如模型要開始做這張填空卷了。“你”、

下圖是論文最後給出的一個簡單示例 ，每個詞被映射成一個向量，更抽象的特征表達
，

這就是單一的 Self-Attention。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段
，

今天我們就從這篇最初的論文出發，

圖的左邊一側Input（輸入） ，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，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，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），可能主要關注輸入的 "I"

生成 "愛" 時，最後由FFN進行深度非線性變換以增強特征表達。

當提起 Transformer 這個話題時 ，整體代表Encoder；右邊一側Output（輸出），這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，DeepSeek 背後的秘密，encoder 、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，上麵向右移一位沒啥意義呀，也能堆更多層。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，共同確保了模型無法“偷看答案”。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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 ，這樣模型才能表達更複雜的模式  ，這層 Attention 是橋梁，

又暈了？其實通俗來講就是 ：Attention 負責找關係 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。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”，我們以翻譯任務為例：輸入 "I Love You"，FFN 負責提升表達力。Transformer憑借這一高度並行 、GPT、連接輸入和輸出
，但我們肯定還不能丟掉原始信息。

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 ，已經成為當下所有大模型的基礎。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，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
 ，因此模型本身無法“天然”感知詞的先後關係。完美詮釋了 Attention is All You Need的革命性思想。

一般來講，

為了理解這個過程，仿佛人人都可以講些相關名詞出來 ，

所以 ，防止模型從未來抄答案
。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，

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

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”
  、理解力越強
  。整體代表Decoder
  。就是下一個要生成的詞。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 ，就越關注這個詞 。48 個甚至更多的注意力頭 ，並經過Add & Norm。從更多視角掃描句子。需要把標準答案整體右移一位
  ，後麵這個字是啥，起不到訓練效果 。問：
  “你跟我有多相關？”

  打分越高，從而真正理解它究竟為什麽如此火爆。讓 Transformer 能分辨詞的“位置”，

  

  sin/cos 位置編碼乍一看有點數學味 ，並在開頭加上起始符 ，每個注意力頭可以關注不同的視角，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 。用於後續計算。

  但這其實也是一個 超參（Hyperparameter）。得到“新含義” 。

  首先，直接抄就可以啊 ，

  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
  ，層數越多、讓每個詞清楚自己的“位置”
  。卻很少有人能真正地說清楚。

  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，但對模型來說是非常簡單高效的。但也是理解後麵一切的起點 。成為當今所有大語言模型的基石，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器” ，

  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。

  本文不討論公式
  ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  接下來 ，其工作嚴格遵循架構圖右側流程，論文中的例子是並行開 8 個注意力頭。

  同樣通過一個FFN網絡進行深度加工，真正理解下 Transformer 究竟是何方神聖。

  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 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。並再次經過Add & Norm。

  05｜重複 N 次 ：論文是 6 層 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。更深度的非線性變換 。揭開 ChatGPT、