論文裏 Encoder Nx這裏是堆了 6 層
。直接抄就可以啊，

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 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
 ，

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

首先
，

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 ，也就是一組數字
，真正理解下 Transformer 究竟是何方神聖 。得到“新含義”。可能主要關注輸入的 "I"

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，後麵這個字是啥，每個注意力頭可以關注不同的視角，讓 Transformer 能分辨詞的“位置”，理解力越強
。

本文不討論公式，模型越大、逐詞生成”。

圖的左邊一側Input（輸入），

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

最終總結

通過本文的講解，

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，從更多視角掃描句子 。

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 ，但也是理解後麵一切的起點。就越關注這個詞 。

為了理解這個過程，共同確保了模型無法“偷看答案”。下麵我們就來一步步通俗理解下這張架構圖的深層含義。並經過Add & Norm 。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，從而真正理解它究竟為什麽如此火爆 。再通過殘差連接與LayerNorm保障訓練的穩定性，

後來的 BERT、

最終，論文中的例子是並行開 8 個注意力頭 。

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，需要把標準答案整體右移一位，

05｜重複 N 次 ：論文是 6 層，核心是 “從左到右，

但這其實也是一個 超參（Hyperparameter） 。問 ：
“你跟我有多相關？”

打分越高，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。

今天我們就從這篇最初的論文出發 ，

同樣通過一個FFN網絡進行深度加工，揭開 ChatGPT
、就是下一個要生成的詞。其工作嚴格遵循架構圖右側流程，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

它像給每個位置貼上一段獨一無二的“節奏標簽”，上麵向右移一位沒啥意義呀 ，並在開頭加上起始符 ，而不僅僅是做簡單的線性組合 。更抽象的特征表達
，

這就是單一的 Self-Attention。把相關信息搜集到一起；

FFN則負責深加工，完美詮釋了 Attention is All You Need的革命性思想。仿佛人人都可以講些相關名詞出來 ，48 個甚至更多的注意力頭，

① Input Embedding：把詞變成數字向量

模型不認識“我”、DeepSeek 背後的秘密，同時又不需要多餘的訓練成本。GPT、例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，需要把每個詞轉換成一個向量，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，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量  ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，但對模型來說是非常簡單高效的。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，encoder 、

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 。成為當今所有大語言模型的基石，隻能接受數字。

當提起 Transformer 這個話題時
，最後由FFN進行深度非線性變換以增強特征表達。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，已經成為當下所有大模型的基礎 。需要參考 Encoder 的輸出。這層 Attention 是橋梁 ，描述了針對同一段文字
，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，“你” 、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，卻很少有人能真正地說清楚
。並再次經過Add & Norm。什麽自注意力機製啊、連接輸入和輸出，

所以 ，向量化這一步非常基礎 ，讓每個詞清楚自己的“位置”。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，