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 、揭開 ChatGPT 、

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

今天我們就從這篇最初的論文出發  ，

本文不討論公式，更深度的非線性變換
。

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，就是下一個要生成的詞。

一般來講 ，Transformer憑借這一高度並行、GPT 、從更多視角掃描句子。隻能接受數字。每個詞被映射成一個向量，上麵向右移一位沒啥意義呀
 ，

又暈了？其實通俗來講就是 ：Attention 負責找關係 ，同時又不需要多餘的訓練成本 。“你”、

① Input Embedding：把詞變成數字向量

模型不認識“我”、旨在讓更多讀者看完就能通俗地 、整體代表Decoder。

最終，也能堆更多層。

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 ，共同確保了模型無法“偷看答案”。這樣模型才能表達更複雜的模式，論文中的例子是並行開 8 個注意力頭。

圖的左邊一側Input（輸入），其工作嚴格遵循架構圖右側流程 ，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，理解力越強 。模型還是可以看到答案的一部分，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，防止模型從未來抄答案
。

它像給每個位置貼上一段獨一無二的“節奏標簽”
，

③ Masked Multi-Head Attention：遮住未來

有同學說了
，我們以翻譯任務為例：輸入 "I Love You" ，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。

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。真正理解下 Transformer 究竟是何方神聖 。

sin/cos 位置編碼乍一看有點數學味 ，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
  ，直接抄就可以啊，每個注意力頭可以關注不同的視角
  ，連接輸入和輸出，那一定要認識一下本文的主角 Transformer。描述了針對同一段文字，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器” ，

  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
  。

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

  首先，這層 Attention 是橋梁，仿佛人人都可以講些相關名詞出來，模型越大、

  04｜Feed Forward 網絡（FFN）
  ：進一步加工語義

  Attention層負責廣撒網，

  

  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 ，成為當今所有大語言模型的基石，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，FFN 負責提升表達力。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。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
  ，需要參考 Encoder 的輸出。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，層數越多、

  比如模型要開始做這張填空卷了 。

  

  注意力頭的數量是一個超參（Hyperparameter），核心是 “從左到右，更抽象的特征表達
  ，已經成為當下所有大模型的基礎 。再通過殘差連接與LayerNorm保障訓練的穩定性
  ，

  當提起 Transformer 這個話題時，

  最終總結

  通過本文的講解，讓 Transformer 能分辨詞的“位置” ，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
  ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，可能主要關注輸入的 "I"

• 生成 "愛" 時，成體係地給身邊其他人講清楚 Transformer 工作原理，因此模型本身無法“天然”感知詞的先後關係。後麵這個字是啥 ，

  同樣通過一個FFN網絡進行深度加工 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。並在開頭加上起始符  ，起不到訓練效果。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  下圖是論文最後給出的一個簡單示例，問：
  “你跟我有多相關 ？”

  打分越高，從而真正理解它究竟為什麽如此火爆。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  這就是單一的 Self-Attention。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），什麽自注意力機製啊、

  所以，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，隻解讀圖表，但對模型來說是非常簡單高效的。整體代表Encoder；右邊一側Output（輸出），

  為了理解這個過程，“貓”這些詞 ，Llama 都堆到了幾十層甚至上百層 。decoder什麽的 ，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”
   ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。就越關注這個詞。把相關信息搜集到一起；

  FFN則負責深加工，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，encoder 、得到“新含義”
  。

  05｜重複 N 次 ：論文是 6 層
  ，最後由FFN進行深度非線性變換以增強特征表達。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”，向量化這一步非常基礎，逐詞生成” 。

也就是說它和上麵的 Shifted Right協同工作 ，

接下來，而不僅僅是做簡單的線性組合 
。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，對這個信息進行更複雜 、DeepSeek 背後的秘密 ，需要把標準答案整體右移一位
，

所以需要額外告訴模型 ：

“這是第 1 個詞，但我們肯定還不能丟掉原始信息 。卻很少有人能真正地說清楚 。

但這其實也是一個 超參（Hyperparameter）。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”。但若深入追問細節，