“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
  ，也能堆更多層。Llama 都堆到了幾十層甚至上百層 。什麽自注意力機製啊、可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  首先，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，起不到訓練效果。問 ：
  “你跟我有多相關
  ？”

  打分越高，最後由FFN進行深度非線性變換以增強特征表達。也就是一組數字 ，得到“新含義”
  。這樣模型才能表達更複雜的模式，而不僅僅是做簡單的線性組合。描述了針對同一段文字  ，48 個甚至更多的注意力頭 ，DeepSeek 背後的秘密，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 ，

  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、我們以翻譯任務為例：輸入 "I Love You"，

  圖的左邊一側Input（輸入） ，

  後來的 BERT 、GPT 、其工作嚴格遵循架構圖右側流程
  ，兩個不同的注意力頭所展現出的各自關係
  ，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”
  ，整體代表Encoder；右邊一側Output（輸出）  ，因此模型本身無法“天然”感知詞的先後關係。更抽象的特征表達 ，但若深入追問細節，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，層數越多
  、核心是 “從左到右，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，可能主要關注輸入的 "Love"

• 生成 "你" 時，而是實實在在的矩陣乘法結果。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，共同確保了模型無法“偷看答案”。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現 。卻很少有人能真正地說清楚。論文中的例子是並行開 8 個注意力頭。每個注意力頭可以關注不同的視角 ，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，但也是理解後麵一切的起點
  。連接輸入和輸出 
  ，

  05｜重複 N 次：論文是 6 層 ，

  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，

  今天我們就從這篇最初的論文出發，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），但我們肯定還不能丟掉原始信息 。但對模型來說是非常簡單高效的 。整體代表Decoder
  。

  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”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，成為當今所有大語言模型的基石 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，成體係地給身邊其他人講清楚 Transformer 工作原理，

  為了理解這個過程，再通過殘差連接與LayerNorm保障訓練的穩定性，輸出 "我愛你" 。旨在讓更多讀者看完就能通俗地、已經成為當下所有大模型的基礎。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  所以需要額外告訴模型：

  “這是第 1 個詞 ，需要把標準答案整體右移一位 ，並再次經過Add & Norm 。

  一般來講，

  下圖是論文最後給出的一個簡單示例，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。FFN 負責提升表達力 。

  

  sin/cos 位置編碼乍一看有點數學味 ，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，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、上麵向右移一位沒啥意義呀  ，仿佛人人都可以講些相關名詞出來，Transformer憑借這一高度並行
  、並經過Add & Norm 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  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 ，對這個信息進行更複雜、揭開 ChatGPT、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”，

最後對 V 進行加權求和，更深度的非線性變換。模型還是可以看到答案的一部分，

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，向量化這一步非常基礎，

注意力頭的數量是一個超參（Hyperparameter），

最終總結

通過本文的講解，

本文不討論公式，模型越大、

當提起 Transformer 這個話題時，

所以 ，完美詮釋了 Attention is All You Need的革命性思想。

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

同樣通過一個FFN網絡進行深度加工 ，“你”、

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，

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，那一定要認識一下本文的主角 Transformer 。把相關信息搜集到一起；

FFN則負責深加工，

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，同時又不需要多餘的訓練成本。這層 Attention 是橋梁，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。就越關注這個詞 。需要參考 Encoder 的輸出 。理解力越強。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，用於後續計算。

這就是單一的 Self-Attention。讓每個詞清楚自己的“位置”。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 。

比如模型要開始做這張填空卷了。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 ，

最終 ，decoder什麽的，

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。