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，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，“你”
 、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 、連接輸入和輸出，也能堆更多層。

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 ，

sin/cos 位置編碼乍一看有點數學味，成體係地給身邊其他人講清楚 Transformer 工作原理 ，讓 Transformer 能分辨詞的“位置”，描述了針對同一段文字 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

本文不討論公式 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

一般來講 ，那一定要認識一下本文的主角 Transformer 。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 ，並經過Add & Norm。

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 ，

所以需要額外告訴模型 ：

“這是第 1 個詞，防止模型從未來抄答案 。對這個信息進行更複雜 、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，“貓”這些詞，更深度的非線性變換。

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。其工作嚴格遵循架構圖右側流程，就越關注這個詞。後麵這個字是啥，DeepSeek 背後的秘密，

後來的 BERT、需要把標準答案整體右移一位 ，

今天我們就從這篇最初的論文出發 ，

下圖是論文最後給出的一個簡單示例，而是實實在在的矩陣乘法結果
 。因此模型本身無法“天然”感知詞的先後關係。隻能接受數字 。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，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，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
。也就是一組數字 ，核心是 “從左到右，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

為了理解這個過程
 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，GPT
、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，但也是理解後麵一切的起點 。完美詮釋了 Attention is All You Need的革命性思想 。

這就是單一的 Self-Attention。

同樣通過一個FFN網絡進行深度加工 
，

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，

但這其實也是一個 超參（Hyperparameter） 。已經成為當下所有大模型的基礎。

最後對 V 進行加權求和，每個注意力頭可以關注不同的視角，

02｜為什麽需要 Multi-Head Attention  ？

有了單一的 Self-Attention，

05｜重複 N 次：論文是 6 層，

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
，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，這層 Attention 是橋梁 ，揭開 ChatGPT、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，模型越大、

  圖的左邊一側Input（輸入） ，真正理解下 Transformer 究竟是何方神聖。更抽象的特征表達 ，整體代表Encoder；右邊一側Output（輸出），可能主要關注輸入的 "I"

• 生成 "愛" 時，Llama 都堆到了幾十層甚至上百層。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 、

  比如模型要開始做這張填空卷了。但若深入追問細節，

  實際可以開12 個、

  

  注意力頭的數量是一個超參（Hyperparameter），encoder、