FFN則負責深加工，懂L的隻能接受數字。看完用於後續計算 。别人共同確保了模型無法“偷看答案”
。吹年

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，文搞

實際可以開12 個、懂L的從更多視角掃描句子。看完

也就是别人說它和上麵的 Shifted Right協同工作
，

所以需要額外告訴模型：

“這是吹年第 1 個詞 ，

為了理解這個過程，文搞encoder 、懂L的decoder什麽的看完，對這個信息進行更複雜
、别人描述了針對同一段文字
，吹年但對模型來說是非常簡單高效的。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，仿佛人人都可以講些相關名詞出來
，並在開頭加上起始符  
，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，

  最終總結

  通過本文的講解 ，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，可能主要關注輸入的 "I"

• 生成 "愛" 時  ，

  後來的 BERT  、而不僅僅是做簡單的線性組合。連接輸入和輸出，卻很少有人能真正地說清楚 。整體代表Decoder。

  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，同時又不需要多餘的訓練成本 。而是實實在在的矩陣乘法結果。再通過殘差連接與LayerNorm保障訓練的穩定性，其工作嚴格遵循架構圖右側流程，

  但這其實也是一個 超參（Hyperparameter）。

  最後對 V 進行加權求和，

  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，“貓”這些詞，從而真正理解它究竟為什麽如此火爆 。這層 Attention 是橋梁 ，

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

  圖的左邊一側Input（輸入），核心是 “從左到右
  ，就越關注這個詞 。後麵這個字是啥
  ，隻解讀圖表
  ，就是下一個要生成的詞
  。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，成體係地給身邊其他人講清楚 Transformer 工作原理
  ，問：
  “你跟我有多相關 ？”

  打分越高 ，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
  ，需要把標準答案整體右移一位，可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現 。但若深入追問細節，48 個甚至更多的注意力頭，

  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。這樣模型才能表達更複雜的模式，揭開 ChatGPT
  、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。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣
  ，

  

  注意力頭的數量是一個超參（Hyperparameter），

  比如模型要開始做這張填空卷了。

  同樣通過一個FFN網絡進行深度加工 ，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 ，

  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、可能主要關注輸入的 "Love"

• 生成 "你" 時 ，但我們肯定還不能丟掉原始信息 。

  ① Input Embedding
  ：把詞變成數字向量

  模型不認識“我” 、因此模型本身無法“天然”感知詞的先後關係 。“你”、

  一般來講，成為當今所有大語言模型的基石，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，防止模型從未來抄答案
  。需要把每個詞轉換成一個向量
   ，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
  ，什麽自注意力機製啊、

  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，但也是理解後麵一切的起點。

  最終 ，我們以翻譯任務為例 ：輸入 "I Love You" ，

  所以
  ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，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”，也就是一組數字，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，整體代表Encoder；右邊一側Output（輸出），

  當提起 Transformer 這個話題時，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
   ，

  05｜重複 N 次：論文是 6 層，上麵向右移一位沒啥意義呀
  ，層數越多、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”，那一定要認識一下本文的主角 Transformer。完美詮釋了 Attention is All You Need的革命性思想  。得到“新含義”。

sin/cos 位置編碼乍一看有點數學味，最後由FFN進行深度非線性變換以增強特征表達 。讓每個詞清楚自己的“位置”。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，並經過Add & Norm 。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，起不到訓練效果。已經成為當下所有大模型的基礎 。DeepSeek 背後的秘密  ，輸出 "我愛你"
。直接抄就可以啊 
，真正理解下 Transformer 究竟是何方神聖。逐詞生成” 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，

本文不討論公式 
，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，兩個不同的注意力頭所展現出的各自關係，模型越大 、更抽象的特征表達 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，需要參考 Encoder 的輸出。更深度的非線性變換。

接下來 ，Transformer憑借這一高度並行  、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。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，

這就是單一的 Self-Attention。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。

• 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
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

今天我們就從這篇最初的論文出發，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。每個詞被映射成一個向量
，GPT 、理解力越強。

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 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，FFN 負責提升表達力
。並再次經過Add & Norm。

首先，論文中的例子是並行開 8 個注意力頭 。每個注意力頭可以關注不同的視角，向量化這一步非常基礎
，

又暈了？其實通俗來講就是 ：Attention 負責找關係，