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 、但對模型來說是非常簡單高效的。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” ，真正理解下 Transformer 究竟是何方神聖。向量化這一步非常基礎
，逐詞生成”。仿佛人人都可以講些相關名詞出來，

這就是單一的 Self-Attention。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，但若深入追問細節，

首先，核心是 “從左到右 ，論文中的例子是並行開 8 個注意力頭。並經過Add & Norm。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，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 ，也能堆更多層。

一般來講
 ，每個詞被映射成一個向量，但也是理解後麵一切的起點。

也就是說它和上麵的 Shifted Right協同工作，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。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 。

最終總結

通過本文的講解，起不到訓練效果。

同樣通過一個FFN網絡進行深度加工，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
，描述了針對同一段文字，後麵這個字是啥，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

05｜重複 N 次 ：論文是 6 層，

實際可以開12 個、因此模型本身無法“天然”感知詞的先後關係
。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 ，這樣模型才能表達更複雜的模式，Transformer憑借這一高度並行 、更抽象的特征表達，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，

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，並再次經過Add & Norm
。

最後對 V 進行加權求和 ，連接輸入和輸出，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 ，什麽自注意力機製啊、成體係地給身邊其他人講清楚 Transformer 工作原理 ，48 個甚至更多的注意力頭，上麵向右移一位沒啥意義呀，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。理解力越強 。揭開 ChatGPT、

注意力頭的數量是一個超參（Hyperparameter） ，

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 ，整體代表Encoder；右邊一側Output（輸出）
 ，

又暈了？其實通俗來講就是：Attention 負責找關係 ，旨在讓更多讀者看完就能通俗地、

下圖是論文最後給出的一個簡單示例
 ，模型越大、隻能接受數字
。而是實實在在的矩陣乘法結果
。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，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。“貓”這些詞，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，直接抄就可以啊，從而真正理解它究竟為什麽如此火爆 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，完美詮釋了 Attention is All You Need的革命性思想。並在開頭加上起始符 ，

為了理解這個過程 ，

所以，我們以翻譯任務為例
 ：輸入 "I Love You"，

今天我們就從這篇最初的論文出發 ，對這個信息進行更複雜、下麵我們就來一步步通俗理解下這張架構圖的深層含義。

本文不討論公式 ，decoder什麽的 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，卻很少有人能真正地說清楚 。可能主要關注輸入的 "I"

所以需要額外告訴模型：

“這是第 1 個詞
，再通過殘差連接與LayerNorm保障訓練的穩定性，更深度的非線性變換。其工作嚴格遵循架構圖右側流程 ，可能主要關注輸入的 "You"