05｜重複 N 次：論文是 6 層 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。成為當今所有大語言模型的基石，每個詞被映射成一個向量 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了
，Transformer憑借這一高度並行、

注意力頭的數量是一個超參（Hyperparameter） ，

比如模型要開始做這張填空卷了。揭開 ChatGPT 、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，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。更抽象的特征表達，同時又不需要多餘的訓練成本。

  下圖是論文最後給出的一個簡單示例，

  但這其實也是一個 超參（Hyperparameter）。描述了針對同一段文字 ，起不到訓練效果。GPT、對這個信息進行更複雜、

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

  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，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
  。可能主要關注輸入的 "Love"

• 生成 "你" 時，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” ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  這就是單一的 Self-Attention
  。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，其工作嚴格遵循架構圖右側流程，

  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，逐詞生成”。而不僅僅是做簡單的線性組合
  。

  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。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，並在開頭加上起始符 ，例如 
  ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，

  

  sin/cos 位置編碼乍一看有點數學味 ，我們以翻譯任務為例：輸入 "I Love You"，

  首先，每個注意力頭可以關注不同的視角 ，需要把每個詞轉換成一個向量，連接輸入和輸出 ，向量化這一步非常基礎，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，模型越大、DeepSeek 背後的秘密，讓 Transformer 能分辨詞的“位置”
  ，Llama 都堆到了幾十層甚至上百層。

  接下來，但對模型來說是非常簡單高效的。

  今天我們就從這篇最初的論文出發  ，整體代表Encoder；右邊一側Output（輸出），“貓”這些詞，也就是一組數字   ，並再次經過Add & Norm 。後麵這個字是啥，從而真正理解它究竟為什麽如此火爆。整體代表Decoder。完美詮釋了 Attention is All You Need的革命性思想。那一定要認識一下本文的主角 Transformer。直接抄就可以啊，

  也就是說它和上麵的 Shifted Right協同工作 ，理解力越強。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。這樣模型才能表達更複雜的模式 ，

  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，因此模型本身無法“天然”感知詞的先後關係。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，得到“新含義”。

  當提起 Transformer 這個話題時
  ，

  本文不討論公式，

  所以需要額外告訴模型：

  “這是第 1 個詞，把相關信息搜集到一起；

  FFN則負責深加工，

  最終，就是下一個要生成的詞
  。

  圖的左邊一側Input（輸入），48 個甚至更多的注意力頭，

  後來的 BERT
  、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
  ，但我們肯定還不能丟掉原始信息 。層數越多 、

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係，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。防止模型從未來抄答案。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，需要把標準答案整體右移一位，旨在讓更多讀者看完就能通俗地、

  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，這層 Attention 是橋梁，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
   ，讓每個詞清楚自己的“位置”。

  04｜Feed Forward 網絡（FFN）
  ：進一步加工語義

  Attention層負責廣撒網，

  為了理解這個過程 ，

  同樣通過一個FFN網絡進行深度加工，需要參考 Encoder 的輸出。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，

  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，就越關注這個詞 。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，

  

  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，“你”、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，真正理解下 Transformer 究竟是何方神聖。也能堆更多層
  。而是實實在在的矩陣乘法結果 。

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器” ，

  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，模型還是可以看到答案的一部分，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。encoder
  、兩個不同的注意力頭所展現出的各自關係，再通過殘差連接與LayerNorm保障訓練的穩定性，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、已經成為當下所有大模型的基礎。FFN 負責提升表達力
  。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”，並經過Add & Norm  。隻能接受數字。

一般來講 ，核心是 “從左到右
，仿佛人人都可以講些相關名詞出來，卻很少有人能真正地說清楚。

所以 ，論文中的例子是並行開 8 個注意力頭 。