也就是吹年說它和上麵的 Shifted Right協同工作，上麵向右移一位沒啥意義呀  ，文搞整體代表Decoder。懂L的

為了理解這個過程
，看完真正理解下 Transformer 究竟是别人何方神聖
。相當於給模型做一個填空題：

題目: <start> 我 愛

此時模型看到的吹年是
：

<start> 我 愛

也就是右移一格 。

sin/cos 位置編碼乍一看有點數學味 ，

下圖是論文最後給出的一個簡單示例 ，

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，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 ，從而真正理解它究竟為什麽如此火爆。

圖的左邊一側Input（輸入），這樣模型才能表達更複雜的模式，就是下一個要生成的詞 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

首先 ，GPT、輸出 "我愛你" 。後麵這個字是啥 ，什麽自注意力機製啊、48 個甚至更多的注意力頭，並再次經過Add & Norm 。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。每個詞被映射成一個向量 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，連接輸入和輸出 ，得到“新含義”。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。但若深入追問細節 ，

當提起 Transformer 這個話題時，encoder
 、直接抄就可以啊
，

最終，

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，用於後續計算。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，但我們肯定還不能丟掉原始信息。把相關信息搜集到一起；

FFN則負責深加工 ，FFN 負責提升表達力 。需要把標準答案整體右移一位，理解力越強。同時又不需要多餘的訓練成本。但對模型來說是非常簡單高效的。

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
、

所以需要額外告訴模型：

“這是第 1 個詞，防止模型從未來抄答案。成體係地給身邊其他人講清楚 Transformer 工作原理
，decoder什麽的，因此模型本身無法“天然”感知詞的先後關係。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。模型還是可以看到答案的一部分，也能堆更多層。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 ，需要參考 Encoder 的輸出。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，但也是理解後麵一切的起點。

  後來的 BERT 、逐詞生成” 。就越關注這個詞。

  所以 ，

  今天我們就從這篇最初的論文出發，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”，已經成為當下所有大模型的基礎
。

最終總結

通過本文的講解，

接下來 ，論文中的例子是並行開 8 個注意力頭 。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。

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。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

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 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

一般來講，

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，

比如模型要開始做這張填空卷了。其工作嚴格遵循架構圖右側流程，揭開 ChatGPT
、兩個不同的注意力頭所展現出的各自關係，對這個信息進行更複雜、

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，每個注意力頭可以關注不同的視角 ，DeepSeek 背後的秘密，層數越多、

同樣通過一個FFN網絡進行深度加工，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

實際可以開12 個 、

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 ，需要把每個詞轉換成一個向量，而不僅僅是做簡單的線性組合。

這就是單一的 Self-Attention 。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 ，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” ，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，而是實實在在的矩陣乘法結果 。

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 "I"

最後對 V 進行加權求和，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

② Shifted Right
 ：防止模型“偷看答案”

在模型訓練階段，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，起不到訓練效果
。Llama 都堆到了幾十層甚至上百層
。模型越大
、下麵我們就來一步步通俗理解下這張架構圖的深層含義。Transformer憑借這一高度並行、再通過殘差連接與LayerNorm保障訓練的穩定性，也就是一組數字，隻能接受數字。整體代表Encoder；右邊一側Output（輸出）
，

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

③ Masked Multi-Head Attention：遮住未來

有同學說了，

05｜重複 N 次：論文是 6 層，讓每個詞清楚自己的“位置” 。最後由FFN進行深度非線性變換以增強特征表達。完美詮釋了 Attention is All You Need的革命性思想 。“貓”這些詞 ，

但這其實也是一個 超參（Hyperparameter）。讓 Transformer 能分辨詞的“位置” ，這層 Attention 是橋梁 ，

本文不討論公式 ，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” ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，核心是 “從左到右 ，問
：
“你跟我有多相關？”

打分越高，我們以翻譯任務為例：輸入 "I Love You" ，“你”、向量化這一步非常基礎 ，並在開頭加上起始符  ，

注意力頭的數量是一個超參（Hyperparameter），隻解讀圖表 ，成為當今所有大語言模型的基石 ，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，從更多視角掃描句子 。卻很少有人能真正地說清楚 。