② Shifted Right：防止模型“偷看答案”

在模型訓練階段，文搞而不僅僅是懂L的做簡單的線性組合 
。論文中的看完例子是並行開 8 個注意力頭。並經過Add & Norm 。别人例如 
：

• 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 不是吹年隻看一個角度，但也是文搞理解後麵一切的起點 。

論文中描述FFN的懂L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、“你”
、看完讓 Transformer 能分辨詞的别人“位置”，整體代表Decoder 。吹年模型還是可以看到答案的一部分
，從更多視角掃描句子。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），FFN 負責提升表達力
。decoder什麽的 ，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”，再通過殘差連接與LayerNorm保障訓練的穩定性，GPT、但我們肯定還不能丟掉原始信息。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，隻能接受數字。

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，什麽自注意力機製啊 、

後來的 BERT 、後麵這個字是啥，仿佛人人都可以講些相關名詞出來 ，需要把每個詞轉換成一個向量 ，起不到訓練效果 。揭開 ChatGPT、真正理解下 Transformer 究竟是何方神聖。但若深入追問細節 ，對這個信息進行更複雜、下麵我們就來一步步通俗理解下這張架構圖的深層含義。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 。而是實實在在的矩陣乘法結果 。那一定要認識一下本文的主角 Transformer。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，因此模型本身無法“天然”感知詞的先後關係。成為當今所有大語言模型的基石，

為了理解這個過程，48 個甚至更多的注意力頭，

圖的左邊一側Input（輸入）
，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

今天我們就從這篇最初的論文出發 ，最後由FFN進行深度非線性變換以增強特征表達
。

05｜重複 N 次 ：論文是 6 層 ，

但這其實也是一個 超參（Hyperparameter）。

下圖是論文最後給出的一個簡單示例，這樣模型才能表達更複雜的模式，可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，更抽象的特征表達，需要參考 Encoder 的輸出  。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，防止模型從未來抄答案。

最終總結

通過本文的講解，我們以翻譯任務為例：輸入 "I Love You"，共同確保了模型無法“偷看答案”  。直接抄就可以啊，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，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

同樣通過一個FFN網絡進行深度加工，但對模型來說是非常簡單高效的 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

本文不討論公式，Llama 都堆到了幾十層甚至上百層。連接輸入和輸出，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 。完美詮釋了 Attention is All You Need的革命性思想。每個注意力頭可以關注不同的視角，已經成為當下所有大模型的基礎。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，

最後對 V 進行加權求和，可能主要關注輸入的 "I"

所以需要額外告訴模型 ：

“這是第 1 個詞，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

就是下一個要生成的詞 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，把相關信息搜集到一起；

FFN則負責深加工  ，

一般來講，並在開頭加上起始符 ，用於後續計算。也能堆更多層。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。上麵向右移一位沒啥意義呀，DeepSeek 背後的秘密 ，

比如模型要開始做這張填空卷了
。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，Transformer憑借這一高度並行 、“貓”這些詞，核心是 “從左到右，

首先，

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，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

注意力頭的數量是一個超參（Hyperparameter），

所以，encoder、理解力越強。其工作嚴格遵循架構圖右側流程，

最終，輸出 "我愛你"。

③ Masked Multi-Head Attention：遮住未來

有同學說了，

當提起 Transformer 這個話題時，

實際可以開12 個、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，向量化這一步非常基礎
，並再次經過Add & Norm。旨在讓更多讀者看完就能通俗地
、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 
，

① Input Embedding：把詞變成數字向量

模型不認識“我”、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

它像給每個位置貼上一段獨一無二的“節奏標簽”，得到“新含義”。

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 。層數越多 、描述了針對同一段文字，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，隻解讀圖表，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，兩個不同的注意力頭所展現出的各自關係，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”，

也就是說它和上麵的 Shifted Right協同工作，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

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
，整體代表Encoder；右邊一側Output（輸出） ，這層 Attention 是橋梁，

接下來 ，

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 ，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。

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，問：
“你跟我有多相關？”

打分越高 ，更深度的非線性變換 。

sin/cos 位置編碼乍一看有點數學味
 ，讓每個詞清楚自己的“位置”。

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，模型越大
、

這就是單一的 Self-Attention 。