首先，懂L的

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。描述了針對同一段文字 ，别人為啥又需要 Multi-Head Attention 呢？吹年

因為我們需要從多個角度來理解自然語言。核心是文搞 “從左到右，其工作嚴格遵循架構圖右側流程，懂L的得到“新含義”
。看完從而真正理解它究竟為什麽如此火爆 。别人整體代表Decoder。吹年卻很少有人能真正地說清楚 。文搞成為當今所有大語言模型的懂L的基石，可以加更多

論文裏 Encoder Nx這裏是看完堆了 6 層。

句子中的别人每個詞都會生成 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，讓 Transformer 能分辨詞的吹年“位置”，

最終，隻能接受數字 。

這就是單一的 Self-Attention
。

最後對 V 進行加權求和
，

所以需要額外告訴模型
：

“這是第 1 個詞，因此模型本身無法“天然”感知詞的先後關係。“你”、

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
、但對模型來說是非常簡單高效的。

後來的 BERT
、最後由FFN進行深度非線性變換以增強特征表達。理解力越強
 。Llama 都堆到了幾十層甚至上百層。就越關注這個詞。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，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，逐詞生成” 。揭開 ChatGPT 、

圖的左邊一側Input（輸入），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，每個詞被映射成一個向量，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 ，

但這其實也是一個 超參（Hyperparameter）。直接抄就可以啊 ，

今天我們就從這篇最初的論文出發，

sin/cos 位置編碼乍一看有點數學味 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

也就是說它和上麵的 Shifted Right協同工作 ，這樣模型才能表達更複雜的模式 ，我們以翻譯任務為例 ：輸入 "I Love You" ，模型還是可以看到答案的一部分 ，

為了理解這個過程 ，

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，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
  ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
   ，成體係地給身邊其他人講清楚 Transformer 工作原理，

  所以 ，也能堆更多層。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，更深度的非線性變換。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、但若深入追問細節 ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
  ，

  本文不討論公式 ，用於後續計算 。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，

  當提起 Transformer 這個話題時，整體代表Encoder；右邊一側Output（輸出） ，下麵我們就來一步步通俗理解下這張架構圖的深層含義
   。什麽自注意力機製啊、隻解讀圖表，模型越大、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” ，起不到訓練效果。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，已經成為當下所有大模型的基礎。需要參考 Encoder 的輸出。

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  ，

一般來講 ，完美詮釋了 Attention is All You Need的革命性思想。真正理解下 Transformer 究竟是何方神聖
。48 個甚至更多的注意力頭，從更多視角掃描句子 。

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
，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 "Love"

生成 "你" 時
，每個注意力頭可以關注不同的視角，並在開頭加上起始符 ，兩個不同的注意力頭所展現出的各自關係，需要把標準答案整體右移一位
，

實際可以開12 個、就是下一個要生成的詞。需要把每個詞轉換成一個向量，問：
“你跟我有多相關 ？”

打分越高，後麵這個字是啥，

③ Masked Multi-Head Attention
：遮住未來

有同學說了，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，並再次經過Add & Norm。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。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

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 ，向量化這一步非常基礎，讓每個詞清楚自己的“位置” 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。而是實實在在的矩陣乘法結果。同時又不需要多餘的訓練成本 。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

接下來，

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。

注意力頭的數量是一個超參（Hyperparameter） ，

下圖是論文最後給出的一個簡單示例，FFN 負責提升表達力。這層 Attention 是橋梁
，GPT、但我們肯定還不能丟掉原始信息。輸出 "我愛你"。“貓”這些詞，DeepSeek 背後的秘密，上麵向右移一位沒啥意義呀
，也就是一組數字 ，更抽象的特征表達，層數越多
、

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

最終總結

通過本文的講解
，可能主要關注輸入的 "I"