但這其實也是一個 超參（Hyperparameter）
。

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，

接下來 ，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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。什麽自注意力機製啊 、隻能接受數字。並再次經過Add & Norm 。

  實際可以開12 個、卻很少有人能真正地說清楚 
  。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，

  所以 ，從而真正理解它究竟為什麽如此火爆。

  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、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

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

  本文不討論公式，

  這就是單一的 Self-Attention。揭開 ChatGPT、

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，

  後來的 BERT、隻解讀圖表
  ，

  今天我們就從這篇最初的論文出發 
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，問：
  “你跟我有多相關？”

  打分越高，就越關注這個詞。Transformer憑借這一高度並行、

  下圖是論文最後給出的一個簡單示例，

  圖的左邊一側Input（輸入） ，DeepSeek 背後的秘密 ，

  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
  ，就是下一個要生成的詞 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了
  ，得到“新含義”
  。輸出 "我愛你"。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

  首先 ，“你”、更深度的非線性變換。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  所以需要額外告訴模型
  ：

  “這是第 1 個詞，48 個甚至更多的注意力頭，

  最終，這層 Attention 是橋梁 ，這樣模型才能表達更複雜的模式 ，最後由FFN進行深度非線性變換以增強特征表達
  。

  又暈了？其實通俗來講就是：Attention 負責找關係，論文中的例子是並行開 8 個注意力頭 。描述了針對同一段文字 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  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，用於後續計算
  。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，後麵這個字是啥 ，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 ，並在開頭加上起始符  ，對這個信息進行更複雜、encoder、模型越大、同時又不需要多餘的訓練成本。

  也就是說它和上麵的 Shifted Right協同工作，

  最終總結

  通過本文的講解  ，旨在讓更多讀者看完就能通俗地 、

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，但也是理解後麵一切的起點。理解力越強 。需要把標準答案整體右移一位 ，但對模型來說是非常簡單高效的 
  。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。需要參考 Encoder 的輸出 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，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”，因此模型本身無法“天然”感知詞的先後關係 。共同確保了模型無法“偷看答案”。GPT 、其工作嚴格遵循架構圖右側流程
 ，但若深入追問細節，

同樣通過一個FFN網絡進行深度加工
，

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，整體代表Decoder 。真正理解下 Transformer 究竟是何方神聖。

02｜為什麽需要 Multi-Head Attention
 ？

有了單一的 Self-Attention，我們以翻譯任務為例：輸入 "I Love You" 
，每個詞被映射成一個向量，並經過Add & Norm 。但我們肯定還不能丟掉原始信息。“貓”這些詞
，層數越多 、讓 Transformer 能分辨詞的“位置”，向量化這一步非常基礎，更抽象的特征表達
，起不到訓練效果 。模型還是可以看到答案的一部分，decoder什麽的 ，防止模型從未來抄答案 。完美詮釋了 Attention is All You Need的革命性思想。把相關信息搜集到一起；

FFN則負責深加工，仿佛人人都可以講些相關名詞出來 ，核心是 “從左到右，已經成為當下所有大模型的基礎 。也能堆更多層。那一定要認識一下本文的主角 Transformer  。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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，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，兩個不同的注意力頭所展現出的各自關係，

為了理解這個過程，

你：71%
他 ：16%
它：11%
其它：2%

選概率最高的，直接抄就可以啊
，成體係地給身邊其他人講清楚 Transformer 工作原理，

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 ，成為當今所有大語言模型的基石，

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，

一般來講
，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。

注意力頭的數量是一個超參（Hyperparameter） ，

05｜重複 N 次：論文是 6 層，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”，