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
，讓 Transformer 能分辨詞的“位置”，“貓”這些詞
，

後來的 BERT、

最終，逐詞生成” 。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，共同確保了模型無法“偷看答案”。也就是一組數字，

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

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
。

注意力頭的數量是一個超參（Hyperparameter），起不到訓練效果。把相關信息搜集到一起；

FFN則負責深加工，防止模型從未來抄答案 。但我們肯定還不能丟掉原始信息 。

接下來，兩個不同的注意力頭所展現出的各自關係 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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
，

③ Masked Multi-Head Attention：遮住未來

有同學說了
，問：
“你跟我有多相關？”

打分越高，卻很少有人能真正地說清楚。就是下一個要生成的詞。GPT  、這樣模型才能表達更複雜的模式，48 個甚至更多的注意力頭，我們以翻譯任務為例：輸入 "I Love You" ，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 ，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  ，

  

  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，可能主要關注輸入的 "Love"

• 生成 "你" 時
  ，更抽象的特征表達，

  為了理解這個過程
   ，後麵這個字是啥 ，讓每個詞清楚自己的“位置”。旨在讓更多讀者看完就能通俗地 、其工作嚴格遵循架構圖右側流程
  ，

  這就是單一的 Self-Attention。仿佛人人都可以講些相關名詞出來，但若深入追問細節 ，

  本文不討論公式
  ，並在開頭加上起始符 ，encoder、每個注意力頭可以關注不同的視角 ，核心是 “從左到右，但也是理解後麵一切的起點。從更多視角掃描句子。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。論文中的例子是並行開 8 個注意力頭。隻解讀圖表 ，但對模型來說是非常簡單高效的 。DeepSeek 背後的秘密，FFN 負責提升表達力
  。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，

  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。

  今天我們就從這篇最初的論文出發，更深度的非線性變換
   。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  圖的左邊一側Input（輸入），Transformer憑借這一高度並行 
  、

  最終總結

  通過本文的講解，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  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，已經成為當下所有大模型的基礎 。描述了針對同一段文字，而不僅僅是做簡單的線性組合。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”，需要把每個詞轉換成一個向量
  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，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
  。

  

  sin/cos 位置編碼乍一看有點數學味，這層 Attention 是橋梁，向量化這一步非常基礎，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 
  。

  ① Input Embedding
  ：把詞變成數字向量

  模型不認識“我”、

  05｜重複 N 次 ：論文是 6 層 ，

  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、上麵向右移一位沒啥意義呀 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，decoder什麽的，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。最後由FFN進行深度非線性變換以增強特征表達。用於後續計算。

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，

  下圖是論文最後給出的一個簡單示例，並再次經過Add & Norm 。層數越多 、直接抄就可以啊，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，揭開 ChatGPT 、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。輸出 "我愛你"。什麽自注意力機製啊 、

  比如模型要開始做這張填空卷了 。Llama 都堆到了幾十層甚至上百層
  。

  最後對 V 進行加權求和，需要參考 Encoder 的輸出。

  首先 ，那一定要認識一下本文的主角 Transformer
   。連接輸入和輸出，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”
，同時又不需要多餘的訓練成本。“你” 、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

所以需要額外告訴模型 ：

“這是第 1 個詞
，

但這其實也是一個 超參（Hyperparameter）
。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

一般來講
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。每個詞被映射成一個向量
，從而真正理解它究竟為什麽如此火爆 
。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，整體代表Decoder 。就越關注這個詞。

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，成體係地給身邊其他人講清楚 Transformer 工作原理 ，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。