你：71%
他：16%
它 ：11%
其它
 ：2%

選概率最高的 ，這層 Attention 是懂L的橋梁，

這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎
。更深度的别人非線性變換。

論文中描述FFN的吹年關鍵內容參考如下：

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 、

最終總結

通過本文的講解，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，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  為了理解這個過程
  ，

  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，

  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 ，上麵向右移一位沒啥意義呀，其工作嚴格遵循架構圖右側流程 ，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，那一定要認識一下本文的主角 Transformer。已經成為當下所有大模型的基礎
  。

  實際可以開12 個 、

  

  sin/cos 位置編碼乍一看有點數學味，隻解讀圖表，也就是一組數字 ，仿佛人人都可以講些相關名詞出來，把相關信息搜集到一起；

  FFN則負責深加工，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。但也是理解後麵一切的起點。

  這就是單一的 Self-Attention
  。層數越多、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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，

  下圖是論文最後給出的一個簡單示例，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  又暈了 ？其實通俗來講就是：Attention 負責找關係 ，

  比如模型要開始做這張填空卷了 。逐詞生成” 。Transformer憑借這一高度並行 、這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  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，但我們肯定還不能丟掉原始信息。GPT、

  最終 ，DeepSeek 背後的秘密，並再次經過Add & Norm。用於後續計算 。並經過Add & Norm。“貓”這些詞
  ，

  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 ，我們以翻譯任務為例：輸入 "I Love You"，需要把標準答案整體右移一位
  ，decoder什麽的
  ，因此模型本身無法“天然”感知詞的先後關係 。

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

  03｜殘差連接 + LayerNorm
  ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，揭開 ChatGPT、

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，

  05｜重複 N 次：論文是 6 層，兩個不同的注意力頭所展現出的各自關係，共同確保了模型無法“偷看答案”
  。但若深入追問細節
  ，理解力越強。整體代表Encoder；右邊一側Output（輸出） ，直接抄就可以啊，就越關注這個詞
  。

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，描述了針對同一段文字 ，模型還是可以看到答案的一部分 ，

  所以
  ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
   ，可能主要關注輸入的 "Love"

• 生成 "你" 時，問：
  “你跟我有多相關？”

  打分越高，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，

  本文不討論公式，而是實實在在的矩陣乘法結果 。

  但這其實也是一個 超參（Hyperparameter）。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，模型越大、後麵這個字是啥，成為當今所有大語言模型的基石 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  後來的 BERT 、起不到訓練效果。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣 ，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。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、防止模型從未來抄答案 。同時又不需要多餘的訓練成本。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網 ，旨在讓更多讀者看完就能通俗地、

  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 。需要把每個詞轉換成一個向量 ，

  接下來，讓 Transformer 能分辨詞的“位置”，論文中的例子是並行開 8 個注意力頭 。整體代表Decoder。可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現 。讓每個詞清楚自己的“位置”。成體係地給身邊其他人講清楚 Transformer 工作原理，需要參考 Encoder 的輸出。每個注意力頭可以關注不同的視角 ，

  當提起 Transformer 這個話題時，真正理解下 Transformer 究竟是何方神聖。向量化這一步非常基礎 ，再通過殘差連接與LayerNorm保障訓練的穩定性，而不僅僅是做簡單的線性組合。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”，最後由FFN進行深度非線性變換以增強特征表達
。

今天我們就從這篇最初的論文出發
，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

最後對 V 進行加權求和，

它像給每個位置貼上一段獨一無二的“節奏標簽”，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。48 個甚至更多的注意力頭 ，

也就是說它和上麵的 Shifted Right協同工作 ，

拿著自己的 Q 到其他詞的 K 那裏去“打分” ，這樣模型才能表達更複雜的模式
，

注意力頭的數量是一個超參（Hyperparameter） ，

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
，FFN 負責提升表達力 。但對模型來說是非常簡單高效的。連接輸入和輸出，隻能接受數字。encoder、什麽自注意力機製啊
、從而真正理解它究竟為什麽如此火爆 。Llama 都堆到了幾十層甚至上百層。就是下一個要生成的詞。卻很少有人能真正地說清楚 。

圖的左邊一側Input（輸入）
 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。核心是 “從左到右，“你”、

一般來講 ，

所以需要額外告訴模型：

“這是第 1 個詞，