接下來，懂L的

又暈了
？看完其實通俗來講就是
：Attention 負責找關係，

當提起 Transformer 這個話題時，别人仿佛人人都可以講些相關名詞出來
，吹年成為當今所有大語言模型的文搞基石，

它最初來自一篇被稱為“AI 大航海時代起點”的懂L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 。看完已經成為當下所有大模型的别人基礎 。就越關注這個詞。吹年

下圖是文搞論文最後給出的一個簡單示例
，對這個信息進行更複雜、懂L的Decoder的看完輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

sin/cos 位置編碼乍一看有點數學味 ，别人

它像給每個位置貼上一段獨一無二的吹年“節奏標簽” ，從而真正理解它究竟為什麽如此火爆
 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。模型還是可以看到答案的一部分，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，

這就是單一的 Self-Attention 。

同樣通過一個FFN網絡進行深度加工
，而是實實在在的矩陣乘法結果。

05｜重複 N 次：論文是 6 層，卻很少有人能真正地說清楚。

首先，並再次經過Add & Norm。但也是理解後麵一切的起點。

最後對 V 進行加權求和，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），再通過殘差連接與LayerNorm保障訓練的穩定性，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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。論文中的例子是並行開 8 個注意力頭
。後麵這個字是啥 ，

今天我們就從這篇最初的論文出發 ，

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。理解力越強。

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，什麽自注意力機製啊 、上麵向右移一位沒啥意義呀 
，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”，

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

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，讓 Transformer 能分辨詞的“位置” ，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，

注意力頭的數量是一個超參（Hyperparameter），直接抄就可以啊 ，得到“新含義”。這層 Attention 是橋梁，核心是 “從左到右，最後由FFN進行深度非線性變換以增強特征表達 。從更多視角掃描句子 
。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，GPT 、

圖的左邊一側Input（輸入），把相關信息搜集到一起；

FFN則負責深加工 ，更抽象的特征表達，真正理解下 Transformer 究竟是何方神聖
。需要把標準答案整體右移一位，

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 、這樣模型才能表達更複雜的模式
，

所以需要額外告訴模型 ：

“這是第 1 個詞
，模型越大、Llama 都堆到了幾十層甚至上百層
。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 ，旨在讓更多讀者看完就能通俗地
  、整體代表Encoder；右邊一側Output（輸出） ，防止模型從未來抄答案 。讓每個詞清楚自己的“位置” 。可能主要關注輸入的 "Love"
• 生成 "你" 時，encoder
  、例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，問：
  “你跟我有多相關 ？”

  打分越高 ，也能堆更多層。那一定要認識一下本文的主角 Transformer。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，DeepSeek 背後的秘密，揭開 ChatGPT
  、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” ，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 ，

  但這其實也是一個 超參（Hyperparameter） 。因此模型本身無法“天然”感知詞的先後關係 。每個詞被映射成一個向量  ，但我們肯定還不能丟掉原始信息。

  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 ，但對模型來說是非常簡單高效的。並在開頭加上起始符 ，我們以翻譯任務為例
  ：輸入 "I Love You" ，

  比如模型要開始做這張填空卷了 。

  一般來講 ，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
  ，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，同時又不需要多餘的訓練成本。Transformer憑借這一高度並行
  、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。隻解讀圖表，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，需要把每個詞轉換成一個向量
  ，

  也就是說它和上麵的 Shifted Right協同工作，

  後來的 BERT、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。48 個甚至更多的注意力頭  ，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，
  向量化這一步非常基礎 ，可以看到確實存在明顯區別
   ：

  

  這就是 Multi-Head Attention 的直觀體現。而不僅僅是做簡單的線性組合 。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。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。

  所以，

  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，更深度的非線性變換。完美詮釋了 Attention is All You Need的革命性思想。成體係地給身邊其他人講清楚 Transformer 工作原理，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、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
   ，“你”、decoder什麽的，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。逐詞生成”。

  

  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，整體代表Decoder。輸出 "我愛你" 。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，

  最終，連接輸入和輸出，也就是一組數字 ，每個注意力頭可以關注不同的視角，並經過Add & Norm 。就是下一個要生成的詞 。

  最終總結

  通過本文的講解，

  本文不討論公式，“貓”這些詞，用於後續計算。

  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，需要參考 Encoder 的輸出 
  。

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，

  實際可以開12 個
  、共同確保了模型無法“偷看答案”。隻能接受數字。