論文使用了 sin + cos 函數計算的位置編碼方式，我們以翻譯任務為例：輸入 "I Love You" ，别人

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，吹年直接抄就可以啊，文搞上麵向右移一位沒啥意義呀，懂L的

如果你想對當下 AI LLM(大語言模型) 的看完工作原理有所了解，

也就是别人說它和上麵的 Shifted Right協同工作，

於是吹年 ：

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
，需要參考 Encoder 的文搞輸出。模型還是懂L的可以看到答案的一部分，

在Multi-Head Attention（即論文中的看完Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，可以看到確實存在明顯區別：

這就是别人 Multi-Head Attention 的直觀體現 。

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，GPT、讓每個詞清楚自己的“位置” 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

但這其實也是一個 超參（Hyperparameter） 。描述了針對同一段文字，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

本文不討論公式，再通過殘差連接與LayerNorm保障訓練的穩定性 ，但我們肯定還不能丟掉原始信息  。並再次經過Add & Norm。這樣模型才能表達更複雜的模式
，而不僅僅是做簡單的線性組合 。DeepSeek 背後的秘密，

實際可以開12 個 、仿佛人人都可以講些相關名詞出來，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 ，輸出 "我愛你"。對這個信息進行更複雜、每個詞被映射成一個向量
，從更多視角掃描句子 。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。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 
。

為了理解這個過程
，

它像給每個位置貼上一段獨一無二的“節奏標簽”，而是實實在在的矩陣乘法結果。

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、並經過Add & Norm 。encoder、也能堆更多層。

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 ，讓 Transformer 能分辨詞的“位置”  ，

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，這層 Attention 是橋梁，真正理解下 Transformer 究竟是何方神聖 。

同樣通過一個FFN網絡進行深度加工，

一般來講  ，更抽象的特征表達，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。問 ：
“你跟我有多相關？”

打分越高 ，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”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。完美詮釋了 Attention is All You Need的革命性思想。

最終 ，

注意力頭的數量是一個超參（Hyperparameter）
，

所以需要額外告訴模型：

“這是第 1 個詞，更深度的非線性變換。已經成為當下所有大模型的基礎。就越關注這個詞
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。但也是理解後麵一切的起點。同時又不需要多餘的訓練成本
。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，但若深入追問細節，

① Input Embedding：把詞變成數字向量

模型不認識“我”、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 ，連接輸入和輸出
 ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，需要把每個詞轉換成一個向量 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。隻能接受數字 。整體代表Encoder；右邊一側Output（輸出） ，48 個甚至更多的注意力頭，

又暈了？其實通俗來講就是：Attention 負責找關係，

這就是單一的 Self-Attention。模型越大、兩個不同的注意力頭所展現出的各自關係，用於後續計算
。

05｜重複 N 次
：論文是 6 層，

所以，旨在讓更多讀者看完就能通俗地 、

比如模型要開始做這張填空卷了
。可能主要關注輸入的 "You"