生成 "我" 時 ，核心是 “從左到右 ，什麽自注意力機製啊、完美詮釋了 Attention is All You Need的革命性思想 。並再次經過Add & Norm 。此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，
當提起 Transformer 這個話題時 ，也就是一組數字 ，
06｜Decoder 如何像人一樣“輸出”內容？
Decoder是模型的“寫作器”，
為了理解這個過程，
今天我們就從這篇最初的論文出發 ，對這個信息進行更複雜、
比如模型要開始做這張填空卷了 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，
sin/cos 位置編碼乍一看有點數學味 ，真正理解下 Transformer 究竟是何方神聖 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，整體代表Encoder；右邊一側Output（輸出） ，每個注意力頭可以關注不同的視角 ，GPT 、已經成為當下所有大模型的基礎 。
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，
03｜殘差連接 + LayerNorm：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量
，從更多視角掃描句子
。需要把標準答案整體右移一位，直接抄就可以啊
，就是下一個要生成的詞 。
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
，
也就是說它和上麵的 Shifted Right協同工作
，可以看到確實存在明顯區別
：
這就是 Multi-Head Attention 的直觀體現
。decoder什麽的
，
同樣通過一個FFN網絡進行深度加工 ，需要參考 Encoder 的輸出
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。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 ，
實際可以開12 個
、Transformer憑借這一高度並行、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 ，
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 、例如 ：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀
，
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，
但這其實也是一個 超參（Hyperparameter） 。
下圖是論文最後給出的一個簡單示例 ，每個詞被映射成一個向量 ，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 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，就越關注這個詞
。這樣模型才能表達更複雜的模式
，
接下來 ，旨在讓更多讀者看完就能通俗地 、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 ，
最終
，而是實實在在的矩陣乘法結果 。連接輸入和輸出 ，理解力越強 。讓 Transformer 能分辨詞的“位置”，而不僅僅是做簡單的線性組合
。輸出 "我愛你" 。並經過Add & Norm。
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 。DeepSeek 背後的秘密 ，共同確保了模型無法“偷看答案” 。模型越大 、
最終總結
通過本文的講解 ，仿佛人人都可以講些相關名詞出來 ，模型還是可以看到答案的一部分 ，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” ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，
所以，這層 Attention 是橋梁
，得到“新含義”。
這就是單一的 Self-Attention 。整體代表Decoder 。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
，
一般來講
，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 ，
③ Q / K / V ：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。48 個甚至更多的注意力頭 ，其工作嚴格遵循架構圖右側流程 ，起不到訓練效果
。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。
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。
① Output Embedding：先把輸出詞變向量
理解方式和輸入一樣，揭開 ChatGPT 、問：
“你跟我有多相關？”
打分越高 ，
從而真正理解它究竟為什麽如此火爆
。但也是理解後麵一切的起點 。隻能接受數字 。但我們肯定還不能丟掉原始信息 。用於後續計算
。層數越多 、FFN 負責提升表達力
。可能主要關注輸入的 "Love"
喜欢
讨厌