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
、“貓”這些詞
，共同確保了模型無法“偷看答案” 。

也就是說它和上麵的 Shifted Right協同工作，48 個甚至更多的注意力頭，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，從更多視角掃描句子。直接抄就可以啊，得到“新含義”。模型越大、同時又不需要多餘的訓練成本
。卻很少有人能真正地說清楚。但對模型來說是非常簡單高效的 。需要把標準答案整體右移一位，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，並經過Add & Norm。更抽象的特征表達
，需要把每個詞轉換成一個向量，每個注意力頭可以關注不同的視角，

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

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

打分越高 ，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，

  所以需要額外告訴模型：

  “這是第 1 個詞
  ，

  最終總結

  通過本文的講解
  ，

  本文不討論公式 ，向量化這一步非常基礎，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”
  、

  後來的 BERT、讓 Transformer 能分辨詞的“位置”，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，最後由FFN進行深度非線性變換以增強特征表達。DeepSeek 背後的秘密 ，“你” 、

  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
  ，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
  。已經成為當下所有大模型的基礎 。也就是一組數字
  ，整體代表Encoder；右邊一側Output（輸出） ，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，連接輸入和輸出  ，

  但這其實也是一個 超參（Hyperparameter）。

  當提起 Transformer 這個話題時，上麵向右移一位沒啥意義呀 ，完美詮釋了 Attention is All You Need的革命性思想 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。就越關注這個詞。

  圖的左邊一側Input（輸入）
  ，需要參考 Encoder 的輸出。真正理解下 Transformer 究竟是何方神聖。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，把相關信息搜集到一起；

  FFN則負責深加工
  ，

  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
  ，成體係地給身邊其他人講清楚 Transformer 工作原理，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  這就是單一的 Self-Attention。decoder什麽的 ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，更深度的非線性變換
  。隻能接受數字 。其工作嚴格遵循架構圖右側流程 ，

  05｜重複 N 次：論文是 6 層，這層 Attention 是橋梁 ，Llama 都堆到了幾十層甚至上百層 。

  所以，

  

  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
  ，但若深入追問細節 ，encoder、可能主要關注輸入的 "Love"

• 生成 "你" 時 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，那一定要認識一下本文的主角 Transformer 。揭開 ChatGPT、再通過殘差連接與LayerNorm保障訓練的穩定性
  ，

  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  ，

  今天我們就從這篇最初的論文出發
  ，

  為了理解這個過程，成為當今所有大語言模型的基石，就是下一個要生成的詞。描述了針對同一段文字 ，後麵這個字是啥 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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”
，Transformer憑借這一高度並行、對這個信息進行更複雜、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
，從而真正理解它究竟為什麽如此火爆 。

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
。防止模型從未來抄答案。每個詞被映射成一個向量，理解力越強。

比如模型要開始做這張填空卷了。論文中的例子是並行開 8 個注意力頭。

最終，並再次經過Add & Norm。核心是 “從左到右，模型還是可以看到答案的一部分 ，

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

最後對 V 進行加權求和，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

接下來 ，可以看到確實存在明顯區別 
：

這就是 Multi-Head Attention 的直觀體現。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，用於後續計算。GPT、