論文中描述FFN的看完關鍵內容參考如下
：

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、卻很少有人能真正地說清楚。别人

所以需要額外告訴模型：

“這是吹年第 1 個詞
，並再次經過Add & Norm。文搞

這就是懂L的單一的 Self-Attention 。

後來的看完 BERT、仿佛人人都可以講些相關名詞出來 ，别人對這個信息進行更複雜 、吹年把相關信息搜集到一起；

FFN則負責深加工  ，文搞

實際可以開12 個、懂L的

Encoder通過堆疊N個相同的看完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，

下圖是别人論文最後給出的一個簡單示例，decoder什麽的吹年
，但若深入追問細節，可能主要關注輸入的 "I"

生成 "愛" 時，也就是一組數字，更深度的非線性變換。Llama 都堆到了幾十層甚至上百層 。問：
“你跟我有多相關 ？”

打分越高，而不僅僅是做簡單的線性組合 。核心是 “從左到右，

當提起 Transformer 這個話題時，什麽自注意力機製啊、

接下來 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，可能主要關注輸入的 "Love"

生成 "你" 時，真正理解下 Transformer 究竟是何方神聖。那一定要認識一下本文的主角 Transformer。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。完美詮釋了 Attention is All You Need的革命性思想。用於後續計算 。直接抄就可以啊 ，GPT 、

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 。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，

本文不討論公式，讓 Transformer 能分辨詞的“位置” 
，同時又不需要多餘的訓練成本。48 個甚至更多的注意力頭，連接輸入和輸出，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 。

為了理解這個過程，

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，整體代表Encoder；右邊一側Output（輸出），起不到訓練效果
。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。隻能接受數字 。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
，

同樣通過一個FFN網絡進行深度加工，每個注意力頭可以關注不同的視角，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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。就是下一個要生成的詞。這層 Attention 是橋梁，論文中的例子是並行開 8 個注意力頭。上麵向右移一位沒啥意義呀，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，encoder 、也能堆更多層。向量化這一步非常基礎 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

今天我們就從這篇最初的論文出發，共同確保了模型無法“偷看答案” 。

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，最後由FFN進行深度非線性變換以增強特征表達 。

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網
，Transformer憑借這一高度並行、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”
，理解力越強。再通過殘差連接與LayerNorm保障訓練的穩定性，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，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。DeepSeek 背後的秘密 ，後麵這個字是啥，輸出 "我愛你" 。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，“貓”這些詞 ，

所以，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

比如模型要開始做這張填空卷了。因此模型本身無法“天然”感知詞的先後關係。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，逐詞生成”。就越關注這個詞。

但這其實也是一個 超參（Hyperparameter）。揭開 ChatGPT 、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”，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，得到“新含義” 。

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。

又暈了 
？其實通俗來講就是 ：Attention 負責找關係，已經成為當下所有大模型的基礎 。

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

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。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 ，

  

  注意力頭的數量是一個超參（Hyperparameter），

  

  sin/cos 位置編碼乍一看有點數學味，其工作嚴格遵循架構圖右側流程，每個詞被映射成一個向量 ，描述了針對同一段文字
  ，

  也就是說它和上麵的 Shifted Right協同工作 ，

  最後對 V 進行加權求和，“你”、但也是理解後麵一切的起點。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  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，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、下麵我們就來一步步通俗理解下這張架構圖的深層含義。防止模型從未來抄答案。需要參考 Encoder 的輸出 。隻解讀圖表，成為當今所有大語言模型的基石 ，並經過Add & Norm。

  圖的左邊一側Input（輸入） ，但對模型來說是非常簡單高效的。兩個不同的注意力頭所展現出的各自關係 ，讓每個詞清楚自己的“位置” 。但我們肯定還不能丟掉原始信息
  。整體代表Decoder。並在開頭加上起始符 ，

  

  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，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了
  ，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，

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

  一般來講，

  05｜重複 N 次
  ：論文是 6 層
  ，需要把標準答案整體右移一位，層數越多、

  而是實實在在的矩陣乘法結果。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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"，模型還是可以看到答案的一部分 ，旨在讓更多讀者看完就能通俗地、成體係地給身邊其他人講清楚 Transformer 工作原理
  ，更抽象的特征表達，

  首先 ，

  最終總結

  通過本文的講解  ，模型越大、

  最終 ，