論文中描述FFN的文搞關鍵內容參考如下 ：

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  、

sin/cos 位置編碼乍一看有點數學味，懂L的48 個甚至更多的看完注意力頭
，描述了針對同一段文字
，别人

一般來講，吹年

注意力頭的文搞數量是一個超參（Hyperparameter），

③ Masked Multi-Head Attention ：遮住未來

有同學說了  ，懂L的從而真正理解它究竟為什麽如此火爆 。看完讓 Transformer 能分辨詞的别人“位置” ，這樣模型才能表達更複雜的吹年模式
，

在Multi-Head Attention（即論文中的文搞Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，

最終，懂L的層數越多 、看完最後由FFN進行深度非線性變換以增強特征表達。别人例如：

我 → [0.12,吹年 -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 ，

05｜重複 N 次 ：論文是 6 層，

當提起 Transformer 這個話題時，

所以 ，理解力越強 。同時又不需要多餘的訓練成本 。

圖的左邊一側Input（輸入）
 ，

但這其實也是一個 超參（Hyperparameter）。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。

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 ，

也就是說它和上麵的 Shifted Right協同工作，

所以需要額外告訴模型 ：

“這是第 1 個詞，

同樣通過一個FFN網絡進行深度加工
，

接下來 ，但我們肯定還不能丟掉原始信息。並經過Add & Norm。共同確保了模型無法“偷看答案”
。

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 。

下圖是論文最後給出的一個簡單示例，

最終總結

通過本文的講解，整體代表Encoder；右邊一側Output（輸出），DeepSeek 背後的秘密 ，

後來的 BERT
、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並在開頭加上起始符 ，把相關信息搜集到一起；

FFN則負責深加工
，成體係地給身邊其他人講清楚 Transformer 工作原理，可能主要關注輸入的 "Love"

生成 "你" 時，防止模型從未來抄答案
。但若深入追問細節，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，什麽自注意力機製啊、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 ，已經成為當下所有大模型的基礎。向量化這一步非常基礎  ，

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 ，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”，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，後麵這個字是啥，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，FFN 負責提升表達力 。

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，兩個不同的注意力頭所展現出的各自關係 ，

  又暈了？其實通俗來講就是：Attention 負責找關係 ，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，Transformer憑借這一高度並行 、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 ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，但也是理解後麵一切的起點。起不到訓練效果。每個詞被映射成一個向量，decoder什麽的 ，隻解讀圖表 ，對這個信息進行更複雜、問
  ：
  “你跟我有多相關？”

  打分越高 ，卻很少有人能真正地說清楚
  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），並再次經過Add & Norm。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。也能堆更多層
。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，“你”、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”，

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 ，完美詮釋了 Attention is All You Need的革命性思想 。揭開 ChatGPT、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。更抽象的特征表達，就是下一個要生成的詞。整體代表Decoder。而不僅僅是做簡單的線性組合 。模型越大、

實際可以開12 個、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，需要把標準答案整體右移一位 ，

這就是單一的 Self-Attention。

① Input Embedding：把詞變成數字向量

模型不認識“我”、得到“新含義”。

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，從更多視角掃描句子。論文中的例子是並行開 8 個注意力頭
。讓每個詞清楚自己的“位置”
。上麵向右移一位沒啥意義呀，

比如模型要開始做這張填空卷了。encoder、真正理解下 Transformer 究竟是何方神聖
。核心是 “從左到右，

本文不討論公式，也就是一組數字，再通過殘差連接與LayerNorm保障訓練的穩定性，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，其工作嚴格遵循架構圖右側流程，就越關注這個詞
。因此模型本身無法“天然”感知詞的先後關係。我們以翻譯任務為例：輸入 "I Love You" ，連接輸入和輸出
，直接抄就可以啊，仿佛人人都可以講些相關名詞出來，

題目: <start> 我 愛

<start> 我 愛

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛” ，成為當今所有大語言模型的基石，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention，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，