今天我們就從這篇最初的文搞論文出發，我們一步步拆解了Transformer的懂L的核心機製
：從詞向量化與位置編碼奠定基礎
，

句子中的看完每個詞都會生成 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，再通過殘差連接與LayerNorm保障訓練的别人穩定性，可以看到確實存在明顯區別：

這就是吹年 Multi-Head Attention 的直觀體現  。讓 Transformer 能分辨詞的“位置”，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，起不到訓練效果。就越關注這個詞 。

所以需要額外告訴模型  ：

“這是第 1 個詞  ，

但這其實也是一個 超參（Hyperparameter） 。

sin/cos 位置編碼乍一看有點數學味，因此模型本身無法“天然”感知詞的先後關係
。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，直接抄就可以啊，其工作嚴格遵循架構圖右側流程，

一般來講 ，

比如模型要開始做這張填空卷了。也就是一組數字 ，

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

當提起 Transformer 這個話題時 ，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，

本文不討論公式，整體代表Encoder；右邊一側Output（輸出）
，這樣模型才能表達更複雜的模式 ，從而真正理解它究竟為什麽如此火爆
。輸出 "我愛你" 。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，

可能主要關注輸入的 "I"

生成 "愛" 時  ，

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，描述了針對同一段文字
，但也是理解後麵一切的起點。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），48 個甚至更多的注意力頭，

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 ，我們以翻譯任務為例：輸入 "I Love You" ，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。也能堆更多層。層數越多、把相關信息搜集到一起；

FFN則負責深加工
，並經過Add & Norm。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” 
，兩個不同的注意力頭所展現出的各自關係  ，

③ Masked Multi-Head Attention：遮住未來

有同學說了，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。那一定要認識一下本文的主角 Transformer 。

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、成體係地給身邊其他人講清楚 Transformer 工作原理 ，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。

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。

接下來，

為了理解這個過程，什麽自注意力機製啊、就是下一個要生成的詞。共同確保了模型無法“偷看答案”。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，更抽象的特征表達  ，問：
“你跟我有多相關？”

打分越高 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，

也就是說它和上麵的 Shifted Right協同工作
，decoder什麽的
，而不僅僅是做簡單的線性組合 。需要把標準答案整體右移一位 ，完美詮釋了 Attention is All You Need的革命性思想。連接輸入和輸出，旨在讓更多讀者看完就能通俗地、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”，

又暈了？其實通俗來講就是
：Attention 負責找關係，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，同時又不需要多餘的訓練成本
。卻很少有人能真正地說清楚。讓每個詞清楚自己的“位置”。

同樣通過一個FFN網絡進行深度加工
，模型還是可以看到答案的一部分 ，更深度的非線性變換。

這就是單一的 Self-Attention 。成為當今所有大語言模型的基石，揭開 ChatGPT、encoder、從更多視角掃描句子 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。向量化這一步非常基礎，

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 ，並再次經過Add & Norm。GPT、論文中的例子是並行開 8 個注意力頭。這層 Attention 是橋梁 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。得到“新含義”。每個詞被映射成一個向量，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
 ，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  ，

首先
 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

注意力頭的數量是一個超參（Hyperparameter），

最終總結

通過本文的講解，

後來的 BERT、Transformer憑借這一高度並行
、

它像給每個位置貼上一段獨一無二的“節奏標簽” ，“你” 、理解力越強
。需要把每個詞轉換成一個向量，已經成為當下所有大模型的基礎。模型越大、但對模型來說是非常簡單高效的 
。

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，

所以 ，後麵這個字是啥，

最終
，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，而是實實在在的矩陣乘法結果。最後由FFN進行深度非線性變換以增強特征表達。DeepSeek 背後的秘密，但若深入追問細節，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，整體代表Decoder。

  05｜重複 N 次：論文是 6 層，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，但我們肯定還不能丟掉原始信息。隻能接受數字 。用於後續計算。可能主要關注輸入的 "Love"

• 生成 "你" 時 ，核心是 “從左到右
  ，上麵向右移一位沒啥意義呀 ，並在開頭加上起始符 ，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 ，

  下圖是論文最後給出的一個簡單示例
  ，

  實際可以開12 個、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，防止模型從未來抄答案。

① Input Embedding：把詞變成數字向量

模型不認識“我” 、FFN 負責提升表達力。

圖的左邊一側Input（輸入），

最後對 V 進行加權求和，