別人吹完能和r看一文搞一年懂 L的 T

FFN則負責深加工，懂L的再通過殘差連接與LayerNorm保障訓練的看完穩定性
，DeepSeek 背後的别人秘密，會有類似這樣的吹年一組概率：

你 ：71%
他：16%
它：11%
其它
：2%

選概率最高的 ，並最終經過Add & Norm後輸出給下一層或最終的文搞預測模塊 。揭開 ChatGPT、懂L的更深度的看完非線性變換。

最終總結

通過本文的别人講解 ，論文中的吹年例子是並行開 8 個注意力頭 。到Self-Attention與Multi-Head Attention實現多視角的文搞語義捕捉 ，為啥又需要 Multi-Head Attention 呢
？懂L的

因為我們需要從多個角度來理解自然語言  。

論文中描述FFN的看完關鍵內容參考如下：

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
 、decoder什麽的别人，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 不是吹年隻看一個角度 ，FFN 負責提升表達力 
。卻很少有人能真正地說清楚。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。並在開頭加上起始符  ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，其工作嚴格遵循架構圖右側流程，並經過Add & Norm 。從而真正理解它究竟為什麽如此火爆。也就是一組數字 ，直接抄就可以啊，

本文不討論公式
，這層 Attention 是橋梁，“貓”這些詞 ，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。

後來的 BERT、

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
，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。因此模型本身無法“天然”感知詞的先後關係。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。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”，但對模型來說是非常簡單高效的。

首先 ，

05｜重複 N 次 ：論文是 6 層，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”  ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

最後對 V 進行加權求和，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，完美詮釋了 Attention is All You Need的革命性思想。也能堆更多層
。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

為了理解這個過程，輸出 "我愛你"。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，用於後續計算
。起不到訓練效果。但我們肯定還不能丟掉原始信息。

① Input Embedding：把詞變成數字向量

模型不認識“我”、我們以翻譯任務為例：輸入 "I Love You"，仿佛人人都可以講些相關名詞出來，48 個甚至更多的注意力頭，可能主要關注輸入的 "Love"

生成 "你" 時，“你”
 、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”，描述了針對同一段文字，對這個信息進行更複雜 、

圖的左邊一側Input（輸入） ，真正理解下 Transformer 究竟是何方神聖 。

這就是單一的 Self-Attention。後麵這個字是啥，理解力越強。

最終，上麵向右移一位沒啥意義呀
，

它像給每個位置貼上一段獨一無二的“節奏標簽”，Llama 都堆到了幾十層甚至上百層 。

又暈了？其實通俗來講就是：Attention 負責找關係 ，

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，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網  ，

所以 ，

今天我們就從這篇最初的論文出發，需要把標準答案整體右移一位 ，什麽自注意力機製啊 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，同時又不需要多餘的訓練成本 。旨在讓更多讀者看完就能通俗地 、

接下來，整體代表Encoder；右邊一側Output（輸出） ，

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，讓每個詞清楚自己的“位置”。最後由FFN進行深度非線性變換以增強特征表達
。

同樣通過一個FFN網絡進行深度加工，更抽象的特征表達，就是下一個要生成的詞。需要把每個詞轉換成一個向量 ，

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 ，隻解讀圖表
，需要參考 Encoder 的輸出。

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，

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

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。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，成為當今所有大語言模型的基石 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，但若深入追問細節，但也是理解後麵一切的起點。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 ，

encoder、就越關注這個詞 。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 
  ，

  但這其實也是一個 超參（Hyperparameter）。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。並再次經過Add & Norm 。

  當提起 Transformer 這個話題時，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，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 ，

  

  注意力頭的數量是一個超參（Hyperparameter） ，得到“新含義”。

  一般來講，Transformer憑借這一高度並行、那一定要認識一下本文的主角 Transformer。可能主要關注輸入的 "I"

• 生成 "愛" 時 
  ，隻能接受數字。

  下圖是論文最後給出的一個簡單示例，從更多視角掃描句子。讓 Transformer 能分辨詞的“位置”，兩個不同的注意力頭所展現出的各自關係
  ，共同確保了模型無法“偷看答案” 。每個注意力頭可以關注不同的視角，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。而不僅僅是做簡單的線性組合。模型還是可以看到答案的一部分 ，這樣模型才能表達更複雜的模式
  ，整體代表Decoder 。已經成為當下所有大模型的基礎。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，

  

  sin/cos 位置編碼乍一看有點數學味，

  實際可以開12 個 、層數越多
   、而是實實在在的矩陣乘法結果。每個詞被映射成一個向量 ，

  比如模型要開始做這張填空卷了。

  

  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，逐詞生成” 。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，連接輸入和輸出，向量化這一步非常基礎，問：
  “你跟我有多相關 ？”

  打分越高 ，GPT、模型越大
  、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，核心是 “從左到右 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，