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 ，問 ：
“你跟我有多相關 ？”

打分越高，

這就是單一的 Self-Attention 。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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
。

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 。完美詮釋了 Attention is All You Need的革命性思想 。連接輸入和輸出，層數越多、已經成為當下所有大模型的基礎
。仿佛人人都可以講些相關名詞出來，

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，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，

也就是說它和上麵的 Shifted Right協同工作，

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、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
，上麵向右移一位沒啥意義呀，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，FFN 負責提升表達力 。

最終總結

通過本文的講解，模型越大、

首先 ，

今天我們就從這篇最初的論文出發
 ，

05｜重複 N 次 ：論文是 6 層
，每個詞被映射成一個向量，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，需要把標準答案整體右移一位，把相關信息搜集到一起；

FFN則負責深加工 ，論文中的例子是並行開 8 個注意力頭。防止模型從未來抄答案 。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” ，逐詞生成”。下麵我們就來一步步通俗理解下這張架構圖的深層含義
。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，DeepSeek 背後的秘密，

當提起 Transformer 這個話題時，後麵這個字是啥，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” 、

所以需要額外告訴模型 ：

“這是第 1 個詞，也就是一組數字，48 個甚至更多的注意力頭
，隻解讀圖表 ，可能主要關注輸入的 "Love"

“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 ，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，起不到訓練效果 。共同確保了模型無法“偷看答案”。核心是 “從左到右，描述了針對同一段文字
  ，再通過殘差連接與LayerNorm保障訓練的穩定性
  ，

  本文不討論公式，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，encoder 、整體代表Encoder；右邊一側Output（輸出），Transformer憑借這一高度並行、

  

  注意力頭的數量是一個超參（Hyperparameter），

  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
  ，

  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 ，從更多視角掃描句子。成體係地給身邊其他人講清楚 Transformer 工作原理  ，這層 Attention 是橋梁
   ，就是下一個要生成的詞。“貓”這些詞 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。其工作嚴格遵循架構圖右側流程 ，最後由FFN進行深度非線性變換以增強特征表達 。同時又不需要多餘的訓練成本
  。“你”、整體代表Decoder 。

  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
  ，但也是理解後麵一切的起點 。

  一般來講 ，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”，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，需要把每個詞轉換成一個向量 ，

最終，Llama 都堆到了幾十層甚至上百層。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），