別人吹完能和r看一文搞一年懂 L的 T

論文裏 Encoder Nx這裏是别人堆了 6 層 。而不僅僅是吹年做簡單的線性組合 。再通過殘差連接與LayerNorm保障訓練的文搞穩定性  ，模型還是懂L的可以看到答案的一部分 ，得到“新含義”。看完真正理解下 Transformer 究竟是别人何方神聖。成體係地給身邊其他人講清楚 Transformer 工作原理，吹年

Encoder通過堆疊N個相同的文搞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 ，逐詞生成”。懂L的就是看完下一個要生成的詞 。

06｜Decoder 如何像人一樣“輸出”內容 ？别人

Decoder是模型的“寫作器” ，FFN 負責提升表達力。吹年層數越多、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，揭開 ChatGPT、每個注意力頭可以關注不同的視角 ，

今天我們就從這篇最初的論文出發 ，

最終總結

通過本文的講解，完美詮釋了 Attention is All You Need的革命性思想。而是實實在在的矩陣乘法結果。隻解讀圖表 ，讓 Transformer 能分辨詞的“位置”，模型越大
、並經過Add & Norm 。更抽象的特征表達 ，從更多視角掃描句子 。防止模型從未來抄答案。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
，這層 Attention 是橋梁 ，我們以翻譯任務為例 ：輸入 "I Love You"
，

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。

比如模型要開始做這張填空卷了。

sin/cos 位置編碼乍一看有點數學味
，並再次經過Add & Norm。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。並在開頭加上起始符 ，Transformer憑借這一高度並行、上麵向右移一位沒啥意義呀 ，需要把標準答案整體右移一位 ，同時又不需要多餘的訓練成本。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 。

注意力頭的數量是一個超參（Hyperparameter）
，

下圖是論文最後給出的一個簡單示例，“你”、這樣模型才能表達更複雜的模式，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。成為當今所有大語言模型的基石，起不到訓練效果。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，連接輸入和輸出 ，已經成為當下所有大模型的基礎。

最後對 V 進行加權求和 ，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 ，把相關信息搜集到一起；

FFN則負責深加工，用於後續計算。隻能接受數字。

為了理解這個過程 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。從而真正理解它究竟為什麽如此火爆
。

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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。需要參考 Encoder 的輸出。

同樣通過一個FFN網絡進行深度加工，

當提起 Transformer 這個話題時，更深度的非線性變換。讓每個詞清楚自己的“位置”
。

後來的 BERT、整體代表Decoder
。

最終 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

但這其實也是一個 超參（Hyperparameter）。

圖的左邊一側Input（輸入），那一定要認識一下本文的主角 Transformer 。卻很少有人能真正地說清楚
 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，Llama 都堆到了幾十層甚至上百層。旨在讓更多讀者看完就能通俗地 、“貓”這些詞，

所以，共同確保了模型無法“偷看答案”。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
，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，

也就是說它和上麵的 Shifted Right協同工作，decoder什麽的，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、

一般來講，但對模型來說是非常簡單高效的。理解力越強。

首先，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，其工作嚴格遵循架構圖右側流程，直接抄就可以啊 ，對這個信息進行更複雜 、可能主要關注輸入的 "Love"

打分越高，

① Input Embedding：把詞變成數字向量

模型不認識“我”
、encoder 、48 個甚至更多的注意力頭，論文中的例子是並行開 8 個注意力頭。也能堆更多層。兩個不同的注意力頭所展現出的各自關係，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，

所以需要額外告訴模型 ：

“這是第 1 個詞
，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。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。仿佛人人都可以講些相關名詞出來，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，

③ Masked Multi-Head Attention
：遮住未來

有同學說了，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，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，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
  ，最後由FFN進行深度非線性變換以增強特征表達。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，後麵這個字是啥 ，

  05｜重複 N 次
  ：論文是 6 層 ，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，輸出 "我愛你" 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，但若深入追問細節，

這就是單一的 Self-Attention。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

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，

實際可以開12 個、

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 ，DeepSeek 背後的秘密 ，

本文不討論公式，GPT、需要把每個詞轉換成一個向量，

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）
，向量化這一步非常基礎
，但也是理解後麵一切的起點 。可能主要關注輸入的 "You"