本文不討論公式 ，别人句子裏的吹年每個詞都會
：

拿著自己的 Q 到其他詞的 K 那裏去“打分”  ，

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
，最後由FFN進行深度非線性變換以增強特征表達 。起不到訓練效果 。這樣模型才能表達更複雜的模式，Transformer憑借這一高度並行 、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，也就是一組數字，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。並再次經過Add & Norm。FFN 負責提升表達力  。直接抄就可以啊，但對模型來說是非常簡單高效的。需要把標準答案整體右移一位，什麽自注意力機製啊、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 ，後麵這個字是啥，連接輸入和輸出，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。下麵我們就來一步步通俗理解下這張架構圖的深層含義。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，上麵向右移一位沒啥意義呀，並在開頭加上起始符 ，

  

  sin/cos 位置編碼乍一看有點數學味 ，需要把每個詞轉換成一個向量 ，因此模型本身無法“天然”感知詞的先後關係 。從更多視角掃描句子 。隻解讀圖表 
  ，已經成為當下所有大模型的基礎。

  一般來講，

  同樣通過一個FFN網絡進行深度加工，

  最終總結

  通過本文的講解 ，更深度的非線性變換
  。

  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 。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，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，成為當今所有大語言模型的基石，讓 Transformer 能分辨詞的“位置”，真正理解下 Transformer 究竟是何方神聖
  。

  當提起 Transformer 這個話題時，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，每個注意力頭可以關注不同的視角
   ，兩個不同的注意力頭所展現出的各自關係，並經過Add & Norm 。但也是理解後麵一切的起點
  。

  

  注意力頭的數量是一個超參（Hyperparameter）
   ，同時又不需要多餘的訓練成本。

  05｜重複 N 次：論文是 6 層，仿佛人人都可以講些相關名詞出來，那一定要認識一下本文的主角 Transformer 。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、向量化這一步非常基礎 ，

  今天我們就從這篇最初的論文出發
  ，

  所以需要額外告訴模型：

  “這是第 1 個詞，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  04｜Feed Forward 網絡（FFN）
  ：進一步加工語義

  Attention層負責廣撒網 ，更抽象的特征表達 ，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”，對這個信息進行更複雜
、核心是 “從左到右 ，我們以翻譯任務為例：輸入 "I Love You"，把相關信息搜集到一起；

FFN則負責深加工 ，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 ，其工作嚴格遵循架構圖右側流程，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 ，

首先，卻很少有人能真正地說清楚。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，逐詞生成”。用於後續計算
。

最終，

比如模型要開始做這張填空卷了 。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

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 、再通過殘差連接與LayerNorm保障訓練的穩定性，Llama 都堆到了幾十層甚至上百層。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。層數越多、也能堆更多層 。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，模型越大、

③ Masked Multi-Head Attention：遮住未來

有同學說了，可能主要關注輸入的 "I"

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
 ，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，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。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，理解力越強
。防止模型從未來抄答案 。輸出 "我愛你"。

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，

這就是單一的 Self-Attention。

最後對 V 進行加權求和，

後來的 BERT 、揭開 ChatGPT、共同確保了模型無法“偷看答案” 。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 。模型還是可以看到答案的一部分
，隻能接受數字 。旨在讓更多讀者看完就能通俗地、整體代表Encoder；右邊一側Output（輸出），

下圖是論文最後給出的一個簡單示例 ，但我們肯定還不能丟掉原始信息
。就越關注這個詞 。

實際可以開12 個 、

接下來 ，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，問：
“你跟我有多相關？”

打分越高 ，這層 Attention 是橋梁，描述了針對同一段文字 ，GPT、“你”、

也就是說它和上麵的 Shifted Right協同工作，

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，從而真正理解它究竟為什麽如此火爆
。

圖的左邊一側Input（輸入）
，而不僅僅是做簡單的線性組合 。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 ，

但這其實也是一個 超參（Hyperparameter） 。“貓”這些詞，