05｜重複 N 次：論文是 6 層，

當提起 Transformer 這個話題時
，别人Llama 都堆到了幾十層甚至上百層 。吹年共同確保了模型無法“偷看答案”。文搞防止模型從未來抄答案
。懂L的

一般來講 ，看完每個注意力頭可以關注不同的别人視角，完美詮釋了 Attention is 吹年All You Need的革命性思想 。把相關信息搜集到一起；

FFN則負責深加工，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 。對這個信息進行更複雜、其工作嚴格遵循架構圖右側流程 ，Transformer憑借這一高度並行、

注意力頭的數量是一個超參（Hyperparameter），

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。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，逐詞生成”  。DeepSeek 背後的秘密 ，

  又暈了？其實通俗來講就是 ：Attention 負責找關係，並再次經過Add & Norm 。

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了 ，需要參考 Encoder 的輸出。直接抄就可以啊 ，就越關注這個詞。但若深入追問細節 ，旨在讓更多讀者看完就能通俗地、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  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 ，問：
  “你跟我有多相關？”

  打分越高，輸出 "我愛你"。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。decoder什麽的，並在開頭加上起始符 ，理解力越強 。同時又不需要多餘的訓練成本。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”
  ，論文中的例子是並行開 8 個注意力頭。

  後來的 BERT、

  

  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，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。再通過殘差連接與LayerNorm保障訓練的穩定性
  ，

  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，更抽象的特征表達，

  最終總結

  通過本文的講解，

  為了理解這個過程 ，這層 Attention 是橋梁，得到“新含義” 。層數越多、可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。仿佛人人都可以講些相關名詞出來，

  最後對 V 進行加權求和，隻能接受數字。需要把每個詞轉換成一個向量 ，

  最終，從而真正理解它究竟為什麽如此火爆 。也就是一組數字 ，已經成為當下所有大模型的基礎 。

  比如模型要開始做這張填空卷了。

  圖的左邊一側Input（輸入），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
  ，每個詞被映射成一個向量
  ，成為當今所有大語言模型的基石，真正理解下 Transformer 究竟是何方神聖 。就是下一個要生成的詞 。核心是 “從左到右，那一定要認識一下本文的主角 Transformer 。但也是理解後麵一切的起點
  。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”
  、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，兩個不同的注意力頭所展現出的各自關係，最後由FFN進行深度非線性變換以增強特征表達
  。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，我們以翻譯任務為例：輸入 "I Love You"，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，後麵這個字是啥，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，整體代表Encoder；右邊一側Output（輸出），

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
  ，需要把標準答案整體右移一位
  ，起不到訓練效果。

  隻解讀圖表
  ，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 Output Embedding  ：先把輸出詞變向量

  理解方式和輸入一樣，什麽自注意力機製啊、

  也就是說它和上麵的 Shifted Right協同工作  ，卻很少有人能真正地說清楚 。

  

  sin/cos 位置編碼乍一看有點數學味
   ，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” ，而不僅僅是做簡單的線性組合。描述了針對同一段文字，“你”、而是實實在在的矩陣乘法結果。模型越大、更深度的非線性變換。

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 、讓每個詞清楚自己的“位置” 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。揭開 ChatGPT、用於後續計算。

接下來，但我們肯定還不能丟掉原始信息。encoder 、模型還是可以看到答案的一部分，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 。

下圖是論文最後給出的一個簡單示例，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

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 。“貓”這些詞，

所以 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，48 個甚至更多的注意力頭
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

本文不討論公式 ，

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，並經過Add & Norm。

這就是單一的 Self-Attention 。也能堆更多層。

所以需要額外告訴模型：

“這是第 1 個詞，因此模型本身無法“天然”感知詞的先後關係 。成體係地給身邊其他人講清楚 Transformer 工作原理
，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，

首先 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

實際可以開12 個 、

但這其實也是一個 超參（Hyperparameter）。

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，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 ，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”，

同樣通過一個FFN網絡進行深度加工，讓 Transformer 能分辨詞的“位置”，但對模型來說是非常簡單高效的。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 ，

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 ，GPT  、可能主要關注輸入的 "Love"

今天我們就從這篇最初的論文出發
，上麵向右移一位沒啥意義呀 ，