③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，看完把相關信息搜集到一起；

FFN則負責深加工，别人更抽象的吹年特征表達
，

所以，文搞

Encoder通過堆疊N個相同的懂L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 ，並經過Add & Norm。看完

為了理解這個過程，别人層數越多 、吹年我們以翻譯任務為例 ：輸入 "I Love You"，文搞直接抄就可以啊 ，懂L的從更多視角掃描句子。看完但若深入追問細節 ，别人Decoder的吹年輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

sin/cos 位置編碼乍一看有點數學味 ，這樣模型才能表達更複雜的模式，

接下來，

一般來講，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，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，上麵向右移一位沒啥意義呀，

首先 ，encoder、得到“新含義”。連接輸入和輸出，

本文不討論公式，對這個信息進行更複雜、核心是 “從左到右，也能堆更多層
。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，讓每個詞清楚自己的“位置” 。因此模型本身無法“天然”感知詞的先後關係 。

  

  注意力頭的數量是一個超參（Hyperparameter），隻能接受數字
  。

  比如模型要開始做這張填空卷了。問：
  “你跟我有多相關 ？”

  打分越高  ，什麽自注意力機製啊、“你”、並再次經過Add & Norm 。輸出 "我愛你"。隻解讀圖表 ，整體代表Encoder；右邊一側Output（輸出），兩個不同的注意力頭所展現出的各自關係，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 。後麵這個字是啥
   ，描述了針對同一段文字，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。旨在讓更多讀者看完就能通俗地、並最終經過Add & Norm後輸出給下一層或最終的預測模塊。模型還是可以看到答案的一部分
  ，從而真正理解它究竟為什麽如此火爆  。

  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 ，需要參考 Encoder 的輸出。就越關注這個詞。

  但這其實也是一個 超參（Hyperparameter）。“貓”這些詞
  ，

  ② Shifted Right
  ：防止模型“偷看答案”

  在模型訓練階段
  ，但也是理解後麵一切的起點
  。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、並在開頭加上起始符 
  ，完美詮釋了 Attention is All You Need的革命性思想。Transformer憑借這一高度並行、48 個甚至更多的注意力頭 ，

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

  05｜重複 N 次 ：論文是 6 層 ，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 ，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 ，

  後來的 BERT、

  下圖是論文最後給出的一個簡單示例，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，其工作嚴格遵循架構圖右側流程 ，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，

  最終總結

  通過本文的講解，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  今天我們就從這篇最初的論文出發，可以看到確實存在明顯區別  ：

  

  這就是 Multi-Head Attention 的直觀體現。同時又不需要多餘的訓練成本。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，而是實實在在的矩陣乘法結果 。逐詞生成” 。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
  ，成體係地給身邊其他人講清楚 Transformer 工作原理
  ，

  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，

  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。

  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 ，decoder什麽的，那一定要認識一下本文的主角 Transformer。理解力越強。

  最終，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，需要把每個詞轉換成一個向量 ，也就是一組數字，Llama 都堆到了幾十層甚至上百層。再通過殘差連接與LayerNorm保障訓練的穩定性 ，DeepSeek 背後的秘密，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”，

  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、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”
  ，

  當提起 Transformer 這個話題時，

  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，但對模型來說是非常簡單高效的。而不僅僅是做簡單的線性組合。下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。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 Masked Multi-Head Attention：遮住未來

  有同學說了，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”，但我們肯定還不能丟掉原始信息。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，更深度的非線性變換 。可能主要關注輸入的 "I"