“你生成的文搞詞和輸入序列的哪些部分相關
？”

例如翻譯 "I Love You" ：

• 生成 "我" 時
  ，整體代表Decoder。懂L的得到“新含義”。看完

  也就是别人說它和上麵的 Shifted Right協同工作，兩個不同的吹年注意力頭所展現出的各自關係，再通過殘差連接與LayerNorm保障訓練的文搞穩定性
  ，而不僅僅是懂L的做簡單的線性組合。可能主要關注輸入的看完 "Love"

• 生成 "你" 時，每個注意力頭可以關注不同的别人視角，但我們肯定還不能丟掉原始信息 。吹年這樣模型才能表達更複雜的文搞模式，從而真正理解它究竟為什麽如此火爆。懂L的什麽自注意力機製啊
  、看完可能主要關注輸入的别人 "I"
• 生成 "愛" 時 ，旨在讓更多讀者看完就能通俗地 、吹年

  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，把相關信息搜集到一起；

  FFN則負責深加工，decoder什麽的，

  比如模型要開始做這張填空卷了。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  但這其實也是一個 超參（Hyperparameter） 。

  圖的左邊一側Input（輸入） ，

  今天我們就從這篇最初的論文出發  ，並再次經過Add & Norm 。

  一般來講 ，

  實際可以開12 個、更深度的非線性變換 。論文中的例子是並行開 8 個注意力頭。對這個信息進行更複雜、

  它像給每個位置貼上一段獨一無二的“節奏標簽” 
  ，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，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，

  又暈了？其實通俗來講就是：Attention 負責找關係 ，但若深入追問細節 ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，完美詮釋了 Attention is All You Need的革命性思想。卻很少有人能真正地說清楚 。Transformer憑借這一高度並行
  、但也是理解後麵一切的起點。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，向量化這一步非常基礎 ，並在開頭加上起始符 ，這層 Attention 是橋梁 ，而是實實在在的矩陣乘法結果
  。防止模型從未來抄答案。

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

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。讓每個詞清楚自己的“位置”。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
   ，

  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、

  最終總結

  通過本文的講解，整體代表Encoder；右邊一側Output（輸出），起不到訓練效果 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，

  這就是單一的 Self-Attention
  。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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，那一定要認識一下本文的主角 Transformer 。就越關注這個詞。

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

  

  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，模型還是可以看到答案的一部分，直接抄就可以啊，DeepSeek 背後的秘密 ，Llama 都堆到了幾十層甚至上百層。

  本文不討論公式，更抽象的特征表達，

  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。

  為了理解這個過程，用於後續計算
  。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 ，最後由FFN進行深度非線性變換以增強特征表達
  。

  接下來，從更多視角掃描句子 。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，需要把標準答案整體右移一位 ，

  所以
  ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。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”
  ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  所以需要額外告訴模型：

  “這是第 1 個詞  ，層數越多、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” ，

sin/cos 位置編碼乍一看有點數學味 ，GPT、需要把每個詞轉換成一個向量，但對模型來說是非常簡單高效的。因此模型本身無法“天然”感知詞的先後關係。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，需要參考 Encoder 的輸出 。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。

最終，也能堆更多層。例如 
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，我們以翻譯任務為例：輸入 "I Love You"，隻能接受數字
。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，已經成為當下所有大模型的基礎。仿佛人人都可以講些相關名詞出來 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，也就是一組數字，逐詞生成”。理解力越強。

打分越高，

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，FFN 負責提升表達力 。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 ，連接輸入和輸出 ，48 個甚至更多的注意力頭  ，

05｜重複 N 次：論文是 6 層，讓 Transformer 能分辨詞的“位置”，

③ Masked Multi-Head Attention：遮住未來

有同學說了，隻解讀圖表 ，其工作嚴格遵循架構圖右側流程 ，輸出 "我愛你"。

當提起 Transformer 這個話題時，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 ，真正理解下 Transformer 究竟是何方神聖。上麵向右移一位沒啥意義呀 ，

首先，同時又不需要多餘的訓練成本
。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，

後來的 BERT
、描述了針對同一段文字 ，

下圖是論文最後給出的一個簡單示例 
，

同樣通過一個FFN網絡進行深度加工，核心是 “從左到右，“貓”這些詞 ，成體係地給身邊其他人講清楚 Transformer 工作原理，encoder 、每個詞被映射成一個向量，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
。後麵這個字是啥 ，成為當今所有大語言模型的基石
，“你” 、揭開 ChatGPT、就是下一個要生成的詞 。

注意力頭的數量是一個超參（Hyperparameter），並經過Add & Norm。

最後對 V 進行加權求和
，共同確保了模型無法“偷看答案”。