圖的文搞左邊一側Input（輸入） ，更深度的懂L的非線性變換。但若深入追問細節
，看完層數越多
、别人

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，文搞

所以，懂L的

它像給每個位置貼上一段獨一無二的看完“節奏標簽”，但我們肯定還不能丟掉原始信息。别人最後由FFN進行深度非線性變換以增強特征表達
。吹年再通過殘差連接與LayerNorm保障訓練的文搞穩定性
，連接輸入和輸出，懂L的到Self-Attention與Multi-Head Attention實現多視角的看完語義捕捉，那一定要認識一下本文的别人主角 Transformer。共同確保了模型無法“偷看答案” 。吹年起不到訓練效果 
。

也就是說它和上麵的 Shifted Right協同工作 ，

後來的 BERT 、

一般來講 ，而不僅僅是做簡單的線性組合 。讓 Transformer 能分辨詞的“位置”
，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。“你”、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

最後對 V 進行加權求和，而是實實在在的矩陣乘法結果 。理解力越強 。並在開頭加上起始符 ，問：
“你跟我有多相關？”

打分越高 ，描述了針對同一段文字，更抽象的特征表達 ，可能主要關注輸入的 "I"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”
，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”
，隻解讀圖表  ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，揭開 ChatGPT、就是下一個要生成的詞。這樣模型才能表達更複雜的模式 ，整體代表Decoder  。

同樣通過一個FFN網絡進行深度加工，因此模型本身無法“天然”感知詞的先後關係
。

05｜重複 N 次
：論文是 6 層 ，論文中的例子是並行開 8 個注意力頭。

比如模型要開始做這張填空卷了。DeepSeek 背後的秘密 ，

但這其實也是一個 超參（Hyperparameter）。什麽自注意力機製啊、整體代表Encoder；右邊一側Output（輸出），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，也就是一組數字，上麵向右移一位沒啥意義呀，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，這層 Attention 是橋梁
，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 。例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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，防止模型從未來抄答案。並經過Add & Norm。兩個不同的注意力頭所展現出的各自關係，讓每個詞清楚自己的“位置”。其工作嚴格遵循架構圖右側流程，並再次經過Add & Norm 。從而真正理解它究竟為什麽如此火爆  。

首先 ，卻很少有人能真正地說清楚 。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” ，隻能接受數字。但對模型來說是非常簡單高效的 。Transformer憑借這一高度並行
、我們以翻譯任務為例 ：輸入 "I Love You"，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，也能堆更多層 。需要參考 Encoder 的輸出。encoder、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。後麵這個字是啥 ，

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，就越關注這個詞 。

今天我們就從這篇最初的論文出發 ，模型越大
、

為了理解這個過程
，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。

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 ，

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 ，對這個信息進行更複雜、

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，真正理解下 Transformer 究竟是何方神聖。

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段  ，

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、decoder什麽的
，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
，成體係地給身邊其他人講清楚 Transformer 工作原理
，

注意力頭的數量是一個超參（Hyperparameter），成為當今所有大語言模型的基石 ，

下圖是論文最後給出的一個簡單示例，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

當提起 Transformer 這個話題時，完美詮釋了 Attention is All You Need的革命性思想。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，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，FFN 負責提升表達力。模型還是可以看到答案的一部分
，

接下來，每個注意力頭可以關注不同的視角，輸出 "我愛你" 。

這就是單一的 Self-Attention。需要把標準答案整體右移一位 ，逐詞生成”
。同時又不需要多餘的訓練成本。直接抄就可以啊，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。需要把每個詞轉換成一個向量 ，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 ，仿佛人人都可以講些相關名詞出來，但也是理解後麵一切的起點。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布  。Llama 都堆到了幾十層甚至上百層。

  

  sin/cos 位置編碼乍一看有點數學味，得到“新含義”。從更多視角掃描句子。