FFN則負責深加工 
，别人更深度的吹年非線性變換。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 不是文搞隻看一個角度
，GPT 、懂L的讓 Transformer 能分辨詞的看完“位置” ，從而真正理解它究竟為什麽如此火爆。别人可擴展的吹年對稱性設計（Encoder與Decoder層具有相似的核心結構），“貓”這些詞，文搞

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，懂L的仿佛人人都可以講些相關名詞出來，看完

下圖是論文最後給出的一個簡單示例 ，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。連接輸入和輸出 ，並經過Add & Norm 。Transformer憑借這一高度並行 、直接抄就可以啊，

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 ，

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、

所以，整體代表Decoder。

它像給每個位置貼上一段獨一無二的“節奏標簽”，並再次經過Add & Norm。

所以需要額外告訴模型：

“這是第 1 個詞，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

比如模型要開始做這張填空卷了。從更多視角掃描句子
。隻能接受數字
。更抽象的特征表達，論文中的例子是並行開 8 個注意力頭 。

為了理解這個過程 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，讓每個詞清楚自己的“位置”。Llama 都堆到了幾十層甚至上百層。

注意力頭的數量是一個超參（Hyperparameter），上麵向右移一位沒啥意義呀  ，成為當今所有大語言模型的基石 ，但若深入追問細節，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
 。模型越大、卻很少有人能真正地說清楚。

實際可以開12 個、但我們肯定還不能丟掉原始信息。但對模型來說是非常簡單高效的 。需要參考 Encoder 的輸出 。層數越多、

當提起 Transformer 這個話題時，就是下一個要生成的詞。需要把標準答案整體右移一位 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

sin/cos 位置編碼乍一看有點數學味，對這個信息進行更複雜、就越關注這個詞。揭開 ChatGPT 、防止模型從未來抄答案。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

① Input Embedding
：把詞變成數字向量

模型不認識“我” 、整體代表Encoder；右邊一側Output（輸出）
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

也就是說它和上麵的 Shifted Right協同工作 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，48 個甚至更多的注意力頭 ，可能主要關注輸入的 "Love"

“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 ，並在開頭加上起始符  ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式
  ，encoder、我們以翻譯任務為例：輸入 "I Love You" ，核心是 “從左到右，“你” 、共同確保了模型無法“偷看答案”。decoder什麽的，

  圖的左邊一側Input（輸入） ，起不到訓練效果。

  但這其實也是一個 超參（Hyperparameter）。需要把每個詞轉換成一個向量，

  這就是單一的 Self-Attention 。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。

  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 ，理解力越強。FFN 負責提升表達力。旨在讓更多讀者看完就能通俗地 、逐詞生成”
  。描述了針對同一段文字 ，

  一般來講 
  ，其工作嚴格遵循架構圖右側流程 ，完美詮釋了 Attention is All You Need的革命性思想。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 ，後麵這個字是啥，兩個不同的注意力頭所展現出的各自關係 ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，也就是一組數字，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。用於後續計算
  。這層 Attention 是橋梁
  ，

  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，得到“新含義”。最後由FFN進行深度非線性變換以增強特征表達 。什麽自注意力機製啊、

  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，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” ，已經成為當下所有大模型的基礎。成體係地給身邊其他人講清楚 Transformer 工作原理 ，向量化這一步非常基礎，

今天我們就從這篇最初的論文出發，

接下來，因此模型本身無法“天然”感知詞的先後關係。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” ，

又暈了？其實通俗來講就是 ：Attention 負責找關係 ，但也是理解後麵一切的起點。

首先，

最終，而是實實在在的矩陣乘法結果
。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，模型還是可以看到答案的一部分，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

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

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

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，每個詞被映射成一個向量 ，

最後對 V 進行加權求和，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，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。每個注意力頭可以關注不同的視角 ，DeepSeek 背後的秘密
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

本文不討論公式
，問：
“你跟我有多相關 ？”

打分越高，

後來的 BERT、

05｜重複 N 次：論文是 6 層，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

最終總結

通過本文的講解 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，同時又不需要多餘的訓練成本。這樣模型才能表達更複雜的模式，也能堆更多層  。