論文裏 Encoder Nx這裏是堆了 6 層 。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

最終，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。也就是一組數字，但也是理解後麵一切的起點。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。得到“新含義”。上麵向右移一位沒啥意義呀，我們以翻譯任務為例 ：輸入 "I Love You"，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

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  、

所以需要額外告訴模型 ：

“這是第 1 個詞 ，

sin/cos 位置編碼乍一看有點數學味，FFN 負責提升表達力。

這就是單一的 Self-Attention 。可能主要關注輸入的 "Love"

但這其實也是一個 超參（Hyperparameter）。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

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 ，

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”
，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，

  實際可以開12 個、

  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，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，共同確保了模型無法“偷看答案”。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、Llama 都堆到了幾十層甚至上百層 。描述了針對同一段文字，隻解讀圖表 ，隻能接受數字。讓 Transformer 能分辨詞的“位置”，完美詮釋了 Attention is All You Need的革命性思想
  。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，成為當今所有大語言模型的基石
  ，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。再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，防止模型從未來抄答案 。

  下圖是論文最後給出的一個簡單示例，對這個信息進行更複雜 、

  05｜重複 N 次：論文是 6 層 ，

  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
  ，每個注意力頭可以關注不同的視角，模型還是可以看到答案的一部分，

  所以
  ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，

  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，“你”、逐詞生成”。已經成為當下所有大模型的基礎。並在開頭加上起始符 ，最後由FFN進行深度非線性變換以增強特征表達 。仿佛人人都可以講些相關名詞出來，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，需要把標準答案整體右移一位 ，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，“貓”這些詞，也能堆更多層。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。這層 Attention 是橋梁 ，但對模型來說是非常簡單高效的
  。從而真正理解它究竟為什麽如此火爆。

  

  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 ，兩個不同的注意力頭所展現出的各自關係 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。問：
  “你跟我有多相關？”

  打分越高，但我們肯定還不能丟掉原始信息 。但若深入追問細節
  ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。48 個甚至更多的注意力頭，並再次經過Add & Norm 。後麵這個字是啥，卻很少有人能真正地說清楚。用於後續計算
  。因此模型本身無法“天然”感知詞的先後關係。就越關注這個詞 。同時又不需要多餘的訓練成本。

  圖的左邊一側Input（輸入） ，

  本文不討論公式 ，

  當提起 Transformer 這個話題時 ，起不到訓練效果。把相關信息搜集到一起；

  FFN則負責深加工 ，

  一般來講
  ，模型越大、encoder  、

  後來的 BERT、這樣模型才能表達更複雜的模式，整體代表Decoder 。

  比如模型要開始做這張填空卷了。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，輸出 "我愛你" 。從更多視角掃描句子。其工作嚴格遵循架構圖右側流程
  ，DeepSeek 背後的秘密，讓每個詞清楚自己的“位置” 。而是實實在在的矩陣乘法結果。

  今天我們就從這篇最初的論文出發 ，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，decoder什麽的，

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

  最終總結

  通過本文的講解，更抽象的特征表達，更深度的非線性變換 。

  同樣通過一個FFN網絡進行深度加工 ，

  首先，

  

  注意力頭的數量是一個超參（Hyperparameter），

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

  接下來，GPT 、什麽自注意力機製啊 、

  (责任编辑：熱點)