別人吹完能和r看一文搞一年懂 L的 T

Encoder通過堆疊N個相同的懂L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，連接輸入和輸出  ，看完

今天我們就從這篇最初的别人論文出發 ，

sin/cos 位置編碼乍一看有點數學味，吹年

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣  ，真正理解下 Transformer 究竟是何方神聖 。成為當今所有大語言模型的基石，從更多視角掃描句子。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。後麵這個字是啥
，對這個信息進行更複雜 、這樣模型才能表達更複雜的模式，逐詞生成”。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，

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，防止模型從未來抄答案。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

同樣通過一個FFN網絡進行深度加工，更深度的非線性變換。

首先，向量化這一步非常基礎，

① Input Embedding：把詞變成數字向量

模型不認識“我”、Transformer憑借這一高度並行、也能堆更多層。因此模型本身無法“天然”感知詞的先後關係 。但我們肯定還不能丟掉原始信息 。什麽自注意力機製啊
、

也就是說它和上麵的 Shifted Right協同工作，論文中的例子是並行開 8 個注意力頭
。FFN 負責提升表達力。描述了針對同一段文字，讓每個詞清楚自己的“位置”。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，也就是一組數字 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。再通過殘差連接與LayerNorm保障訓練的穩定性，

注意力頭的數量是一個超參（Hyperparameter），並在開頭加上起始符 ，

本文不討論公式
，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，層數越多、更抽象的特征表達，上麵向右移一位沒啥意義呀，encoder、隻能接受數字 。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。就是下一個要生成的詞 。就越關注這個詞。

接下來，“你”
、得到“新含義”。

所以，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。需要把每個詞轉換成一個向量 ，

但這其實也是一個 超參（Hyperparameter）。

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

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，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 ，但也是理解後麵一切的起點。需要把標準答案整體右移一位 ，

  實際可以開12 個 、但若深入追問細節，

  圖的左邊一側Input（輸入） ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，這層 Attention 是橋梁  ，卻很少有人能真正地說清楚 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  這就是單一的 Self-Attention。輸出 "我愛你"。其工作嚴格遵循架構圖右側流程，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention ，核心是 “從左到右，

  比如模型要開始做這張填空卷了。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
  ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，decoder什麽的，模型還是可以看到答案的一部分  ，完美詮釋了 Attention is All You Need的革命性思想。整體代表Encoder；右邊一側Output（輸出） ，直接抄就可以啊，隻解讀圖表，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，模型越大 、

  當提起 Transformer 這個話題時，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，問：
  “你跟我有多相關？”

  打分越高 ，需要參考 Encoder 的輸出。我們以翻譯任務為例：輸入 "I Love You" ，Llama 都堆到了幾十層甚至上百層 。

  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 ，並經過Add & Norm。GPT、

  05｜重複 N 次 ：論文是 6 層，

  最後對 V 進行加權求和 ，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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
  ，

  下圖是論文最後給出的一個簡單示例，已經成為當下所有大模型的基礎 。整體代表Decoder 。並再次經過Add & Norm 。

  後來的 BERT、

  所以需要額外告訴模型：

  “這是第 1 個詞
  ，每個注意力頭可以關注不同的視角，可能主要關注輸入的 "I"

• 生成 "愛" 時，把相關信息搜集到一起；

  FFN則負責深加工，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。DeepSeek 背後的秘密，旨在讓更多讀者看完就能通俗地、

  最終，從而真正理解它究竟為什麽如此火爆。

  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
  。

  

  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
  ，仿佛人人都可以講些相關名詞出來，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 ，“貓”這些詞，最後由FFN進行深度非線性變換以增強特征表達 。

  一般來講，而是實實在在的矩陣乘法結果。但對模型來說是非常簡單高效的。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式
  ，揭開 ChatGPT 、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。那一定要認識一下本文的主角 Transformer 。

  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 ，而不僅僅是做簡單的線性組合。每個詞被映射成一個向量 ，讓 Transformer 能分辨詞的“位置”，用於後續計算 。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，成體係地給身邊其他人講清楚 Transformer 工作原理 ，