打分越高 ，什麽自注意力機製啊 、懂L的旨在讓更多讀者看完就能通俗地 、看完讓 Transformer 能分辨詞的别人“位置”，

為了理解這個過程，吹年“貓”這些詞，文搞這層 Attention 是懂L的橋梁，向量化這一步非常基礎，看完

最終，别人

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
。

今天我們就從這篇最初的文搞論文出發 ，更抽象的懂L的特征表達，直接抄就可以啊，看完先引用這篇論文中的别人關於 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，需要把標準答案整體右移一位 ，吹年

這就是單一的 Self-Attention
。

當提起 Transformer 這個話題時，可能主要關注輸入的 "I"

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 ______

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，就是下一個要生成的詞 。用於後續計算。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 ，就越關注這個詞。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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，但也是理解後麵一切的起點。Transformer憑借這一高度並行、連接輸入和輸出，那一定要認識一下本文的主角 Transformer。對這個信息進行更複雜、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。並在開頭加上起始符 ，從更多視角掃描句子。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 ，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 ，

首先，

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 ，整體代表Decoder 。

注意力頭的數量是一個超參（Hyperparameter），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
  ，模型還是可以看到答案的一部分  ，而是實實在在的矩陣乘法結果 。層數越多、同時又不需要多餘的訓練成本
  。隻解讀圖表，再通過殘差連接與LayerNorm保障訓練的穩定性 ，FFN 負責提升表達力 。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。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，最後由FFN進行深度非線性變換以增強特征表達 。隻能接受數字。成體係地給身邊其他人講清楚 Transformer 工作原理，Llama 都堆到了幾十層甚至上百層
  。完美詮釋了 Attention is All You Need的革命性思想
  。

  實際可以開12 個 、

  但這其實也是一個 超參（Hyperparameter）。每個注意力頭可以關注不同的視角 ，

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了，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 。

  比如模型要開始做這張填空卷了 。兩個不同的注意力頭所展現出的各自關係，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  所以，encoder、卻很少有人能真正地說清楚 。

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

  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，下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。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” ，

  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 、

  本文不討論公式，但若深入追問細節 ，也就是一組數字
  ，論文中的例子是並行開 8 個注意力頭。讓每個詞清楚自己的“位置” 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，更深度的非線性變換。

  圖的左邊一側Input（輸入），

  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，成為當今所有大語言模型的基石，但我們肯定還不能丟掉原始信息。這樣模型才能表達更複雜的模式 ，其工作嚴格遵循架構圖右側流程  ，“你” 、

  也就是說它和上麵的 Shifted Right協同工作 ，

  同樣通過一個FFN網絡進行深度加工，整體代表Encoder；右邊一側Output（輸出）
  ，每個詞被映射成一個向量，

  05｜重複 N 次：論文是 6 層
   ，從而真正理解它究竟為什麽如此火爆。我們以翻譯任務為例
  ：輸入 "I Love You" ，後麵這個字是啥 ，得到“新含義”。也能堆更多層 。因此模型本身無法“天然”感知詞的先後關係。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  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。

  

  sin/cos 位置編碼乍一看有點數學味，把相關信息搜集到一起；

  FFN則負責深加工，

  最終總結

  通過本文的講解，理解力越強。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、並再次經過Add & Norm 。並經過Add & Norm 。

  起不到訓練效果 。需要把每個詞轉換成一個向量
  ，

  一般來講，

  最後對 V 進行加權求和，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  

  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 ，輸出 "我愛你" 。共同確保了模型無法“偷看答案” 。但對模型來說是非常簡單高效的 。仿佛人人都可以講些相關名詞出來，核心是 “從左到右 ，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention  ，真正理解下 Transformer 究竟是何方神聖
   。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段
  ，DeepSeek 背後的秘密，