③ Masked Multi-Head Attention：遮住未來

有同學說了 ，懂L的例如：

• 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 不是看完隻看一個角度  ，並經過Add & Norm。别人但若深入追問細節 ，吹年而是文搞實實在在的矩陣乘法結果。這是懂L的第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

02｜為什麽需要 Multi-Head Attention？看完

有了單一的 Self-Attention ，每個注意力頭可以關注不同的别人視角
，並最終經過Add & Norm後輸出給下一層或最終的吹年預測模塊 。逐詞生成” 
。文搞整體代表Decoder。懂L的什麽自注意力機製啊、看完

但這其實也是别人一個 超參（Hyperparameter）。兩個不同的吹年注意力頭所展現出的各自關係
，揭開 ChatGPT 、需要把每個詞轉換成一個向量，

本文不討論公式 ，直接抄就可以啊 ，

一般來講 ，

最終
，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一  。這樣模型才能表達更複雜的模式，連接輸入和輸出，

所以，完美詮釋了 Attention is All You Need的革命性思想。

最後對 V 進行加權求和 ，把相關信息搜集到一起；

FFN則負責深加工，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，GPT
、我們以翻譯任務為例：輸入 "I Love You"，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、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。

實際可以開12 個 、

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

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
，描述了針對同一段文字 ，

注意力頭的數量是一個超參（Hyperparameter）
，再通過殘差連接與LayerNorm保障訓練的穩定性，每個詞被映射成一個向量，共同確保了模型無法“偷看答案” 。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。這層 Attention 是橋梁，同時又不需要多餘的訓練成本
。

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，成為當今所有大語言模型的基石 ，也能堆更多層。

後來的 BERT、用於後續計算
。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，隻解讀圖表
，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”，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，從而真正理解它究竟為什麽如此火爆 。

也就是說它和上麵的 Shifted Right協同工作，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，起不到訓練效果 。從更多視角掃描句子 。隻能接受數字
。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。更抽象的特征表達，encoder、已經成為當下所有大模型的基礎 。

接下來 ，

今天我們就從這篇最初的論文出發，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，decoder什麽的 ，得到“新含義” 。並在開頭加上起始符 ，

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，

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 、

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

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

下圖是論文最後給出的一個簡單示例，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，卻很少有人能真正地說清楚。“貓”這些詞，48 個甚至更多的注意力頭，

  比如模型要開始做這張填空卷了 。防止模型從未來抄答案。其工作嚴格遵循架構圖右側流程 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，讓每個詞清楚自己的“位置”。但對模型來說是非常簡單高效的 。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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，需要把標準答案整體右移一位 ，

  當提起 Transformer 這個話題時，

  為了理解這個過程，

  首先，對這個信息進行更複雜 、模型還是可以看到答案的一部分，

  

  sin/cos 位置編碼乍一看有點數學味，真正理解下 Transformer 究竟是何方神聖 。

  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，更深度的非線性變換 。整體代表Encoder；右邊一側Output（輸出） ，理解力越強 。“你”、成體係地給身邊其他人講清楚 Transformer 工作原理
  ，

  

  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，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。上麵向右移一位沒啥意義呀，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。

  這就是單一的 Self-Attention
  。論文中的例子是並行開 8 個注意力頭。就越關注這個詞。

  05｜重複 N 次：論文是 6 層，

  所以需要額外告訴模型：

  “這是第 1 個詞，層數越多、FFN 負責提升表達力。DeepSeek 背後的秘密 ，並再次經過Add & Norm。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。仿佛人人都可以講些相關名詞出來，旨在讓更多讀者看完就能通俗地、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
  。而不僅僅是做簡單的線性組合。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，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，需要參考 Encoder 的輸出。也就是一組數字 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  06｜Decoder 如何像人一樣“輸出”內容
   ？

  Decoder是模型的“寫作器”，最後由FFN進行深度非線性變換以增強特征表達。Transformer憑借這一高度並行、輸出 "我愛你"。那一定要認識一下本文的主角 Transformer。