接下來，得到“新含義” 。就越關注這個詞 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），描述了針對同一段文字，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，但我們肯定還不能丟掉原始信息  。再通過殘差連接與LayerNorm保障訓練的穩定性，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 ，

  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、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，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，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
  。

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，輸出 "我愛你"
  。Llama 都堆到了幾十層甚至上百層。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

  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
  ，並在開頭加上起始符 ，就是下一個要生成的詞
  。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” ，

  圖的左邊一側Input（輸入） ，

  所以，什麽自注意力機製啊
  、

  為了理解這個過程
  ，防止模型從未來抄答案 。隻能接受數字。

  

  sin/cos 位置編碼乍一看有點數學味，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，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  。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。起不到訓練效果 。每個詞被映射成一個向量，並經過Add & Norm。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  比如模型要開始做這張填空卷了。DeepSeek 背後的秘密 ，讓 Transformer 能分辨詞的“位置”，

  今天我們就從這篇最初的論文出發，

  

  注意力頭的數量是一個超參（Hyperparameter）
  ，

  最後對 V 進行加權求和 ，

  最終，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，從更多視角掃描句子。完美詮釋了 Attention is All You Need的革命性思想。也就是一組數字 ，揭開 ChatGPT、Transformer憑借這一高度並行 、後麵這個字是啥，層數越多、已經成為當下所有大模型的基礎。

  最終總結

  通過本文的講解 ，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”，

同樣通過一個FFN網絡進行深度加工 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。同時又不需要多餘的訓練成本 。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，48 個甚至更多的注意力頭，理解力越強。而是實實在在的矩陣乘法結果 。我們以翻譯任務為例：輸入 "I Love You"，卻很少有人能真正地說清楚 。decoder什麽的，encoder、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 。需要把標準答案整體右移一位，這層 Attention 是橋梁 ，整體代表Encoder；右邊一側Output（輸出） ，旨在讓更多讀者看完就能通俗地、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”
，問 ：
“你跟我有多相關 ？”

打分越高，

實際可以開12 個 、成體係地給身邊其他人講清楚 Transformer 工作原理，用於後續計算  。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，因此模型本身無法“天然”感知詞的先後關係。但若深入追問細節，

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 ，隻解讀圖表 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

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 。

首先，需要參考 Encoder 的輸出。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 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

05｜重複 N 次
：論文是 6 層，其工作嚴格遵循架構圖右側流程 ，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

當提起 Transformer 這個話題時，

一般來講 ，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，

也就是說它和上麵的 Shifted Right協同工作，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，

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，那一定要認識一下本文的主角 Transformer。把相關信息搜集到一起；

FFN則負責深加工，

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
，整體代表Decoder 。仿佛人人都可以講些相關名詞出來
，

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

所以需要額外告訴模型：

“這是第 1 個詞  
，逐詞生成”。

但這其實也是一個 超參（Hyperparameter） 。向量化這一步非常基礎
，也能堆更多層 。可能主要關注輸入的 "I"

它像給每個位置貼上一段獨一無二的“節奏標簽”，

本文不討論公式  ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
，更深度的非線性變換。但對模型來說是非常簡單高效的。並再次經過Add & Norm。

後來的 BERT、