同樣通過一個FFN網絡進行深度加工 
，别人核心是吹年 “從左到右
，隻解讀圖表，文搞論文中的懂L的例子是並行開 8 個注意力頭。兩個不同的看完注意力頭所展現出的各自關係
 ，

sin/cos 位置編碼乍一看有點數學味 ，别人

02｜為什麽需要 Multi-Head Attention？吹年

有了單一的 Self-Attention，同時又不需要多餘的文搞訓練成本。也就是懂L的一組數字，

後來的看完 BERT 、對這個信息進行更複雜 、别人隻能接受數字 。吹年

最後對 V 進行加權求和 
，

一般來講
 ，並再次經過Add & Norm
。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。用於後續計算 。但也是理解後麵一切的起點。

首先，

注意力頭的數量是一個超參（Hyperparameter），

05｜重複 N 次：論文是 6 層，

最終總結

通過本文的講解，

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 、FFN 負責提升表達力。

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，而是實實在在的矩陣乘法結果。需要把標準答案整體右移一位，上麵向右移一位沒啥意義呀，這樣模型才能表達更複雜的模式，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

比如模型要開始做這張填空卷了 。“你” 、描述了針對同一段文字 ，

所以需要額外告訴模型 ：

“這是第 1 個詞 ，需要參考 Encoder 的輸出 。而不僅僅是做簡單的線性組合。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。已經成為當下所有大模型的基礎。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，完美詮釋了 Attention is All You Need的革命性思想 。

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段，什麽自注意力機製啊 、

接下來，仿佛人人都可以講些相關名詞出來，就是下一個要生成的詞。Llama 都堆到了幾十層甚至上百層。“貓”這些詞，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，卻很少有人能真正地說清楚。但我們肯定還不能丟掉原始信息。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，需要把每個詞轉換成一個向量，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，48 個甚至更多的注意力頭
，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網
，可能主要關注輸入的 "I"

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 ______

⑤ Linear + Softmax
：得到下一個詞的概率

比如已經生成了“我愛”，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，encoder 、

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

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
，但對模型來說是非常簡單高效的 。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。理解力越強 。

拿著自己的 Q 到其他詞的 K 那裏去“打分”
，逐詞生成”
。

下圖是論文最後給出的一個簡單示例
，每個詞被映射成一個向量
，把相關信息搜集到一起；

FFN則負責深加工，

所以，最後由FFN進行深度非線性變換以增強特征表達。Transformer憑借這一高度並行、並在開頭加上起始符  ，這層 Attention 是橋梁，真正理解下 Transformer 究竟是何方神聖
。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，我們以翻譯任務為例
：輸入 "I Love You" ，

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
，後麵這個字是啥，每個注意力頭可以關注不同的視角，

實際可以開12 個、從而真正理解它究竟為什麽如此火爆 。

③ Masked Multi-Head Attention：遮住未來

有同學說了，

圖的左邊一側Input（輸入），decoder什麽的，

當提起 Transformer 這個話題時 ，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，模型越大 、整體代表Encoder；右邊一側Output（輸出） ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

也就是說它和上麵的 Shifted Right協同工作，連接輸入和輸出，

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 。

它像給每個位置貼上一段獨一無二的“節奏標簽”，也能堆更多層。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 ，

今天我們就從這篇最初的論文出發 ，旨在讓更多讀者看完就能通俗地、成為當今所有大語言模型的基石 ，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
 。

為了理解這個過程，問：
“你跟我有多相關？”

打分越高，向量化這一步非常基礎 ，起不到訓練效果 。因此模型本身無法“天然”感知詞的先後關係。就越關注這個詞 。成體係地給身邊其他人講清楚 Transformer 工作原理，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，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，可能主要關注輸入的 "Love"

• 生成 "你" 時，讓 Transformer 能分辨詞的“位置” ，共同確保了模型無法“偷看答案” 。