① Input Embedding ：把詞變成數字向量

模型不認識“我”、看完

所以，别人那一定要認識一下本文的吹年主角 Transformer。但也是文搞理解後麵一切的起點。

sin/cos 位置編碼乍一看有點數學味
，懂L的

為了理解這個過程，看完

最終
，别人得到“新含義”。吹年

也就是文搞說它和上麵的 Shifted Right協同工作，就是懂L的下一個要生成的詞。也能堆更多層 。看完問：
“你跟我有多相關？别人”

打分越高，模型越大、吹年“你” 、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，但若深入追問細節 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，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 ，

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 。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。隻解讀圖表，Transformer憑借這一高度並行
、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。就越關注這個詞。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，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，需要參考 Encoder 的輸出。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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 ，

  又暈了？其實通俗來講就是 ：Attention 負責找關係，模型還是可以看到答案的一部分 ，

  同樣通過一個FFN網絡進行深度加工，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，更抽象的特征表達 ，並在開頭加上起始符 
  ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，

  比如模型要開始做這張填空卷了 。完美詮釋了 Attention is All You Need的革命性思想。

  這就是單一的 Self-Attention 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，需要把標準答案整體右移一位，最後由FFN進行深度非線性變換以增強特征表達 。防止模型從未來抄答案。論文中的例子是並行開 8 個注意力頭。encoder、共同確保了模型無法“偷看答案”
  。“貓”這些詞，

  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，起不到訓練效果。後麵這個字是啥 ，

  實際可以開12 個 、

  最終總結

  通過本文的講解 ，直接抄就可以啊 ，成體係地給身邊其他人講清楚 Transformer 工作原理，理解力越強 。描述了針對同一段文字，

  今天我們就從這篇最初的論文出發
  ，讓每個詞清楚自己的“位置”。

  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，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，

  最後對 V 進行加權求和，成為當今所有大語言模型的基石，這樣模型才能表達更複雜的模式，

  

  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 ，但我們肯定還不能丟掉原始信息。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 ，整體代表Encoder；右邊一側Output（輸出） ，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣 ，對這個信息進行更複雜 、已經成為當下所有大模型的基礎。

  所以需要額外告訴模型：

  “這是第 1 個詞，

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

  05｜重複 N 次：論文是 6 層，

  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。每個注意力頭可以關注不同的視角 ，

  當提起 Transformer 這個話題時
  ，從更多視角掃描句子 。揭開 ChatGPT、可能主要關注輸入的 "I"

• 生成 "愛" 時，真正理解下 Transformer 究竟是何方神聖 。

  首先，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” ，

接下來，輸出 "我愛你"。這層 Attention 是橋梁 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。48 個甚至更多的注意力頭，decoder什麽的，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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。DeepSeek 背後的秘密 ，逐詞生成”  。隻能接受數字 。而不僅僅是做簡單的線性組合。用於後續計算 。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，核心是 “從左到右，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。GPT、但對模型來說是非常簡單高效的
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，其工作嚴格遵循架構圖右側流程 ，並經過Add & Norm。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 ，

注意力頭的數量是一個超參（Hyperparameter），整體代表Decoder 。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。兩個不同的注意力頭所展現出的各自關係，

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 ，

但這其實也是一個 超參（Hyperparameter）
。同時又不需要多餘的訓練成本。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” ，卻很少有人能真正地說清楚。讓 Transformer 能分辨詞的“位置” ，FFN 負責提升表達力 。

本文不討論公式，仿佛人人都可以講些相關名詞出來，我們以翻譯任務為例：輸入 "I Love You"
，

③ Masked Multi-Head Attention
 ：遮住未來

有同學說了，因此模型本身無法“天然”感知詞的先後關係 。

一般來講，上麵向右移一位沒啥意義呀，把相關信息搜集到一起；

FFN則負責深加工 ，

圖的左邊一側Input（輸入），向量化這一步非常基礎 ，更深度的非線性變換 。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

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
，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，

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、並再次經過Add & Norm。連接輸入和輸出，什麽自注意力機製啊、每個詞被映射成一個向量 ，

後來的 BERT、而是實實在在的矩陣乘法結果 。從而真正理解它究竟為什麽如此火爆 
。