別人吹完能和r看一文搞一年懂 L的 T

論文裏 Encoder Nx這裏是懂L的堆了 6 層。GPT、看完

最終，别人並再次經過Add & Norm。吹年但我們肯定還不能丟掉原始信息。文搞因此模型本身無法“天然”感知詞的懂L的先後關係。並在開頭加上起始符 ，看完

一般來講，别人

此時就需要 Masked Multi-Head Attention功能來遮住未預測的吹年詞，每個注意力頭可以關注不同的文搞視角 ，

後來的懂L的 BERT、decoder什麽的看完，

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，别人

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
。

這就是單一的 Self-Attention。防止模型從未來抄答案。可能主要關注輸入的 "Love"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，

下圖是論文最後給出的一個簡單示例，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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，隻解讀圖表，

當提起 Transformer 這個話題時  ，其工作嚴格遵循架構圖右側流程 ，對這個信息進行更複雜、

最後對 V 進行加權求和，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，成體係地給身邊其他人講清楚 Transformer 工作原理，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，

又暈了？其實通俗來講就是
：Attention 負責找關係 ，需要參考 Encoder 的輸出 。

最終總結

通過本文的講解，

注意力頭的數量是一個超參（Hyperparameter） ，也就是一組數字，隻能接受數字 。而是實實在在的矩陣乘法結果 。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。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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。48 個甚至更多的注意力頭 ，但對模型來說是非常簡單高效的。

本文不討論公式 ，用於後續計算。

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、更抽象的特征表達 ，

同樣通過一個FFN網絡進行深度加工，需要把標準答案整體右移一位，再通過殘差連接與LayerNorm保障訓練的穩定性，模型越大
、

但這其實也是一個 超參（Hyperparameter） 。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，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 ，已經成為當下所有大模型的基礎。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  所以，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現
  。把相關信息搜集到一起；

  FFN則負責深加工，

  接下來，這層 Attention 是橋梁，什麽自注意力機製啊 、兩個不同的注意力頭所展現出的各自關係 ，逐詞生成” 。卻很少有人能真正地說清楚。encoder、揭開 ChatGPT、

  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 ，同時又不需要多餘的訓練成本  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，真正理解下 Transformer 究竟是何方神聖  。

  所以需要額外告訴模型 ：

  “這是第 1 個詞  ，模型還是可以看到答案的一部分
  ，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。DeepSeek 背後的秘密，就越關注這個詞。

  今天我們就從這篇最初的論文出發，FFN 負責提升表達力 。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，上麵向右移一位沒啥意義呀 ，讓每個詞清楚自己的“位置”。整體代表Encoder；右邊一側Output（輸出），

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，

  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，

  05｜重複 N 次：論文是 6 層，但若深入追問細節 ，旨在讓更多讀者看完就能通俗地 、

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，從更多視角掃描句子 。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，也能堆更多層 。就是下一個要生成的詞 。描述了針對同一段文字 ，讓 Transformer 能分辨詞的“位置”，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  首先，論文中的例子是並行開 8 個注意力頭 。那一定要認識一下本文的主角 Transformer。每個詞被映射成一個向量，從而真正理解它究竟為什麽如此火爆 。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，後麵這個字是啥 ，仿佛人人都可以講些相關名詞出來 ，“你” 、

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、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”，

  比如模型要開始做這張填空卷了。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，

  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。

  

  sin/cos 位置編碼乍一看有點數學味 ，起不到訓練效果 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，得到“新含義”。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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，共同確保了模型無法“偷看答案” 。“貓”這些詞 ，

  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，更深度的非線性變換。

  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
  ，

  也就是說它和上麵的 Shifted Right協同工作 ，這樣模型才能表達更複雜的模式 ，直接抄就可以啊，

  實際可以開12 個 、層數越多、需要把每個詞轉換成一個向量 ，成為當今所有大語言模型的基石，完美詮釋了 Attention is All You Need的革命性思想
  。而不僅僅是做簡單的線性組合。

  (责任编辑：焦點)