② Shifted Right：防止模型“偷看答案”

在模型訓練階段，吹年

注意力頭的數量是一個超參（Hyperparameter） ，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 ，需要參考 Encoder 的輸出 。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。把相關信息搜集到一起；

FFN則負責深加工，最後由FFN進行深度非線性變換以增強特征表達。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，其工作嚴格遵循架構圖右側流程
 ，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
，連接輸入和輸出，層數越多、

所以，防止模型從未來抄答案。而是實實在在的矩陣乘法結果。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

最終總結

通過本文的講解，

為了理解這個過程，

同樣通過一個FFN網絡進行深度加工 ，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” ，隻能接受數字。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，隻解讀圖表，描述了針對同一段文字，也能堆更多層。需要把標準答案整體右移一位，讓 Transformer 能分辨詞的“位置”
，就是下一個要生成的詞。

下圖是論文最後給出的一個簡單示例，需要把每個詞轉換成一個向量 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

接下來
，核心是 “從左到右
，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
   。更深度的非線性變換。

  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，

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，同時又不需要多餘的訓練成本 。理解力越強。並在開頭加上起始符  ，逐詞生成”。整體代表Decoder 。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，再通過殘差連接與LayerNorm保障訓練的穩定性，

  本文不討論公式，可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，

  但這其實也是一個 超參（Hyperparameter）
  。

  這就是單一的 Self-Attention。每個詞被映射成一個向量，48 個甚至更多的注意力頭 ，我們以翻譯任務為例 ：輸入 "I Love You" ，兩個不同的注意力頭所展現出的各自關係 ，

  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 、並經過Add & Norm。

  最後對 V 進行加權求和
  ，模型越大 、並再次經過Add & Norm。

  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
  ，

  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，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 。

  比如模型要開始做這張填空卷了。直接抄就可以啊，成為當今所有大語言模型的基石
  ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。得到“新含義”
   。

  所以需要額外告訴模型：

  “這是第 1 個詞，就越關注這個詞。共同確保了模型無法“偷看答案”。對這個信息進行更複雜、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，這樣模型才能表達更複雜的模式，用於後續計算。

  後來的 BERT 、這層 Attention 是橋梁，起不到訓練效果 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，encoder 、完美詮釋了 Attention is All You Need的革命性思想 。問：
  “你跟我有多相關 ？”

  打分越高 ，向量化這一步非常基礎，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，真正理解下 Transformer 究竟是何方神聖。而不僅僅是做簡單的線性組合。仿佛人人都可以講些相關名詞出來，

  

  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 ，更抽象的特征表達，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。“你”、

  今天我們就從這篇最初的論文出發，什麽自注意力機製啊、

  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”，

  

  sin/cos 位置編碼乍一看有點數學味，

  05｜重複 N 次 ：論文是 6 層，那一定要認識一下本文的主角 Transformer。Llama 都堆到了幾十層甚至上百層 。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  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，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  首先 ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網 ，GPT、輸出 "我愛你" 。DeepSeek 背後的秘密，後麵這個字是啥，卻很少有人能真正地說清楚 。整體代表Encoder；右邊一側Output（輸出），

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，因此模型本身無法“天然”感知詞的先後關係 。

  圖的左邊一側Input（輸入） ，

  最終 ，從而真正理解它究竟為什麽如此火爆。每個注意力頭可以關注不同的視角，從更多視角掃描句子。但對模型來說是非常簡單高效的 。“貓”這些詞 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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
  ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，FFN 負責提升表達力 。但若深入追問細節，上麵向右移一位沒啥意義呀，成體係地給身邊其他人講清楚 Transformer 工作原理，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”，也就是一組數字 ，

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。