別人吹完能和r看一文搞一年懂 L的 T

“貓”這些詞，文搞而不僅僅是懂L的做簡單的線性組合 。更抽象的看完特征表達，

如果你想對當下 AI LLM(大語言模型) 的别人工作原理有所了解，

也就是吹年說它和上麵的 Shifted Right協同工作
，從而真正理解它究竟為什麽如此火爆。文搞

後來的懂L的 BERT、可能主要關注輸入的看完 "Love"

生成 "你" 時，完美詮釋了 Attention is 别人All You Need的革命性思想。同時又不需要多餘的吹年訓練成本 。

又暈了？文搞其實通俗來講就是：Attention 負責找關係 ，可能主要關注輸入的懂L的 "You"

⑤ Linear + Softmax 
：得到下一個詞的概率

比如已經生成了“我愛”
，模型越大
、看完FFN 負責提升表達力。别人

此時就需要 Masked Multi-Head Attention功能來遮住未預測的吹年詞，

本文不討論公式  ，

圖的左邊一側Input（輸入），

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 ，隻能接受數字 。對這個信息進行更複雜  、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

最終總結

通過本文的講解 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，真正理解下 Transformer 究竟是何方神聖。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

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。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，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 ，但對模型來說是非常簡單高效的  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），最後由FFN進行深度非線性變換以增強特征表達。這層 Attention 是橋梁，

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  、

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，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。但若深入追問細節 ，成體係地給身邊其他人講清楚 Transformer 工作原理，

同樣通過一個FFN網絡進行深度加工
，我們以翻譯任務為例：輸入 "I Love You"，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，仿佛人人都可以講些相關名詞出來，DeepSeek 背後的秘密，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，起不到訓練效果。需要把每個詞轉換成一個向量，需要把標準答案整體右移一位，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，48 個甚至更多的注意力頭 ，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 ，GPT
、輸出 "我愛你"。

當提起 Transformer 這個話題時，

接下來  ，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 。隻解讀圖表，

首先，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。這樣模型才能表達更複雜的模式
，

05｜重複 N 次：論文是 6 層 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，就是下一個要生成的詞。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，防止模型從未來抄答案
。但也是理解後麵一切的起點 。

所以需要額外告訴模型：

“這是第 1 個詞
，理解力越強。encoder、用於後續計算。

但這其實也是一個 超參（Hyperparameter）。連接輸入和輸出 ，從更多視角掃描句子。更深度的非線性變換。每個詞被映射成一個向量，後麵這個字是啥
，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，但我們肯定還不能丟掉原始信息 。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，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
，再通過殘差連接與LayerNorm保障訓練的穩定性，

今天我們就從這篇最初的論文出發，層數越多、核心是 “從左到右，問：
“你跟我有多相關 
？”

打分越高
，Llama 都堆到了幾十層甚至上百層 。需要參考 Encoder 的輸出。

一般來講
，並在開頭加上起始符  ，已經成為當下所有大模型的基礎。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 。旨在讓更多讀者看完就能通俗地
、整體代表Encoder；右邊一側Output（輸出），並最終經過Add & Norm後輸出給下一層或最終的預測模塊。就越關注這個詞。卻很少有人能真正地說清楚。

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
，揭開 ChatGPT、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 ，

  為了理解這個過程 ，

  

  sin/cos 位置編碼乍一看有點數學味 ，論文中的例子是並行開 8 個注意力頭。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，把相關信息搜集到一起；

  FFN則負責深加工，什麽自注意力機製啊、也就是一組數字，

  這就是單一的 Self-Attention 。因此模型本身無法“天然”感知詞的先後關係 。並再次經過Add & Norm。整體代表Decoder 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。讓每個詞清楚自己的“位置”
  。得到“新含義” 。並經過Add & Norm  。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。“你” 、兩個不同的注意力頭所展現出的各自關係 ，

  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，每個注意力頭可以關注不同的視角，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、

  比如模型要開始做這張填空卷了。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”，讓 Transformer 能分辨詞的“位置”，

  最終  ，直接抄就可以啊，

  下圖是論文最後給出的一個簡單示例
   ，

  實際可以開12 個
  、可能主要關注輸入的 "I"

• 生成 "愛" 時 ，

  

  注意力頭的數量是一個超參（Hyperparameter），成為當今所有大語言模型的基石，

  所以
  ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。

  最後對 V 進行加權求和，其工作嚴格遵循架構圖右側流程 ，上麵向右移一位沒啥意義呀，共同確保了模型無法“偷看答案”。也能堆更多層。描述了針對同一段文字，下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。向量化這一步非常基礎，逐詞生成”。模型還是可以看到答案的一部分 ，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，decoder什麽的，

  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。

  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，Transformer憑借這一高度並行 、