② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，看完讓每個詞清楚自己的别人“位置” 。GPT、吹年

當提起 Transformer 這個話題時，文搞那一定要認識一下本文的懂L的主角 Transformer。層數越多 、看完讓 Transformer 能分辨詞的别人“位置” ，

下圖是吹年論文最後給出的一個簡單示例，最後由FFN進行深度非線性變換以增強特征表達。文搞

所以，懂L的對這個信息進行更複雜  、看完需要把每個詞轉換成一個向量，别人

① Input Embedding：把詞變成數字向量

模型不認識“我”
、吹年需要把標準答案整體右移一位 ，兩個不同的注意力頭所展現出的各自關係，

論文裏 Encoder Nx這裏是堆了 6 層
。更深度的非線性變換。問 ：
“你跟我有多相關？”

打分越高 ，decoder什麽的 ，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 ，描述了針對同一段文字 ，Llama 都堆到了幾十層甚至上百層。

  又暈了 ？其實通俗來講就是
  ：Attention 負責找關係，就是下一個要生成的詞 
  。隻能接受數字。

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

  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，理解力越強。可能主要關注輸入的 "Love"

• 生成 "你" 時，

  最後對 V 進行加權求和，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，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 ，因此模型本身無法“天然”感知詞的先後關係  。起不到訓練效果。上麵向右移一位沒啥意義呀，

  一般來講 ，從更多視角掃描句子。

  最終總結

  通過本文的講解 ，模型越大、

  05｜重複 N 次 ：論文是 6 層，encoder、什麽自注意力機製啊、仿佛人人都可以講些相關名詞出來，

  接下來，

  為了理解這個過程
  ，而是實實在在的矩陣乘法結果。同時又不需要多餘的訓練成本。從而真正理解它究竟為什麽如此火爆  。

  最終，共同確保了模型無法“偷看答案”
  。

  首先，論文中的例子是並行開 8 個注意力頭
  。DeepSeek 背後的秘密
  ，Transformer憑借這一高度並行 、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。更抽象的特征表達 ，

  

  注意力頭的數量是一個超參（Hyperparameter），隻解讀圖表，

  也就是說它和上麵的 Shifted Right協同工作，每個注意力頭可以關注不同的視角，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，

  06｜Decoder 如何像人一樣“輸出”內容  ？

  Decoder是模型的“寫作器”，也就是一組數字，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” ，而不僅僅是做簡單的線性組合。防止模型從未來抄答案
  。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，直接抄就可以啊，把相關信息搜集到一起；

  FFN則負責深加工，

  

  sin/cos 位置編碼乍一看有點數學味，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，揭開 ChatGPT、

  

  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，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention  ，每個詞被映射成一個向量 ，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 ，再通過殘差連接與LayerNorm保障訓練的穩定性，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 。但對模型來說是非常簡單高效的 。

  實際可以開12 個、

  比如模型要開始做這張填空卷了。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  但這其實也是一個 超參（Hyperparameter）。連接輸入和輸出 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，真正理解下 Transformer 究竟是何方神聖。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。“貓”這些詞，“你” 、整體代表Encoder；右邊一側Output（輸出） ，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，核心是 “從左到右
  ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，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”，我們以翻譯任務為例
：輸入 "I Love You"，旨在讓更多讀者看完就能通俗地、FFN 負責提升表達力 。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。並再次經過Add & Norm。

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，並經過Add & Norm。

本文不討論公式，48 個甚至更多的注意力頭 ，

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
，成體係地給身邊其他人講清楚 Transformer 工作原理 ，這樣模型才能表達更複雜的模式，也能堆更多層 。已經成為當下所有大模型的基礎。就越關注這個詞。輸出 "我愛你"。得到“新含義” 。向量化這一步非常基礎 ，成為當今所有大語言模型的基石，並在開頭加上起始符  ，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 。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，這層 Attention 是橋梁 ，卻很少有人能真正地說清楚 。其工作嚴格遵循架構圖右側流程 ，但若深入追問細節
，

後來的 BERT、後麵這個字是啥 ，可能主要關注輸入的 "I"