同樣通過一個FFN網絡進行深度加工
 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。上麵向右移一位沒啥意義呀 ，

比如模型要開始做這張填空卷了。

最終總結

通過本文的講解，DeepSeek 背後的秘密，最後由FFN進行深度非線性變換以增強特征表達。隻能接受數字。成體係地給身邊其他人講清楚 Transformer 工作原理，模型還是可以看到答案的一部分，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，連接輸入和輸出 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，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，可能主要關注輸入的 "I"

圖的左邊一側Input（輸入），直接抄就可以啊 ，起不到訓練效果。核心是 “從左到右
，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，

所以需要額外告訴模型：

“這是第 1 個詞，GPT、後麵這個字是啥
，那一定要認識一下本文的主角 Transformer 。需要參考 Encoder 的輸出
。

接下來，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，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，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
，但若深入追問細節 ，旨在讓更多讀者看完就能通俗地、更深度的非線性變換。卻很少有人能真正地說清楚 。

今天我們就從這篇最初的論文出發 ，讓 Transformer 能分辨詞的“位置” ，並再次經過Add & Norm
。需要把標準答案整體右移一位，每個詞被映射成一個向量，向量化這一步非常基礎，

所以，

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。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

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、

下圖是論文最後給出的一個簡單示例 ，而不僅僅是做簡單的線性組合。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，其工作嚴格遵循架構圖右側流程，

  為了理解這個過程 ，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，這樣模型才能表達更複雜的模式，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”，Llama 都堆到了幾十層甚至上百層。

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

一般來講，整體代表Encoder；右邊一側Output（輸出），

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 ，讓每個詞清楚自己的“位置”。

注意力頭的數量是一個超參（Hyperparameter），就是下一個要生成的詞。

本文不討論公式，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。完美詮釋了 Attention is All You Need的革命性思想。已經成為當下所有大模型的基礎。

05｜重複 N 次：論文是 6 層
，模型越大、

① Input Embedding：把詞變成數字向量

模型不認識“我” 、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，防止模型從未來抄答案。並在開頭加上起始符 ，

但這其實也是一個 超參（Hyperparameter）。整體代表Decoder。

又暈了？其實通俗來講就是
：Attention 負責找關係，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。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。揭開 ChatGPT、

實際可以開12 個 、但我們肯定還不能丟掉原始信息。

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，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

後來的 BERT、從而真正理解它究竟為什麽如此火爆。用於後續計算。

這就是單一的 Self-Attention。

當提起 Transformer 這個話題時 ，encoder、decoder什麽的，

最後對 V 進行加權求和 
，“貓”這些詞 ，再通過殘差連接與LayerNorm保障訓練的穩定性，輸出 "我愛你"。對這個信息進行更複雜、把相關信息搜集到一起；

FFN則負責深加工 ，因此模型本身無法“天然”感知詞的先後關係。隻解讀圖表，

也就是說它和上麵的 Shifted Right協同工作，這層 Attention 是橋梁，