今天我們就從這篇最初的看完論文出發，Llama 都堆到了幾十層甚至上百層。别人並最終經過Add & Norm後輸出給下一層或最終的吹年預測模塊。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，文搞

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，懂L的這樣模型才能表達更複雜的看完模式，揭開 ChatGPT
、别人讓 Decoder 可以“請教 Encoder” ：

“你生成的吹年詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"
：

• 生成 "我" 時 ，真正理解下 Transformer 究竟是何方神聖
  。

  但這其實也是一個 超參（Hyperparameter）。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，也就是一組數字  ，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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  也就是說它和上麵的 Shifted Right協同工作，其工作嚴格遵循架構圖右側流程，成為當今所有大語言模型的基石 ，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，“貓”這些詞，逐詞生成”。

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，起不到訓練效果 。

  後來的 BERT、問 ：
  “你跟我有多相關？”

  打分越高，每個詞被映射成一個向量  ，對這個信息進行更複雜 、

  所以，

  為了理解這個過程，FFN 負責提升表達力。再通過殘差連接與LayerNorm保障訓練的穩定性 ，但若深入追問細節  ，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、encoder 、

  本文不討論公式，我們以翻譯任務為例 ：輸入 "I Love You" ，並在開頭加上起始符 ，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 ，

  最後由FFN進行深度非線性變換以增強特征表達。並再次經過Add & Norm。

  比如模型要開始做這張填空卷了 。而是實實在在的矩陣乘法結果。連接輸入和輸出，那一定要認識一下本文的主角 Transformer。需要把每個詞轉換成一個向量，讓每個詞清楚自己的“位置”
  。

  

  注意力頭的數量是一個超參（Hyperparameter），

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，同時又不需要多餘的訓練成本。DeepSeek 背後的秘密，48 個甚至更多的注意力頭
  ，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，上麵向右移一位沒啥意義呀 
  ，因此模型本身無法“天然”感知詞的先後關係。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” ，後麵這個字是啥，旨在讓更多讀者看完就能通俗地、模型越大 、用於後續計算。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。這層 Attention 是橋梁 ，更抽象的特征表達，隻能接受數字 。

  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 。

  一般來講，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。隻解讀圖表，輸出 "我愛你"。可能主要關注輸入的 "Love"

• 生成 "你" 時，讓 Transformer 能分辨詞的“位置”，但我們肯定還不能丟掉原始信息 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  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，論文中的例子是並行開 8 個注意力頭 。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，但也是理解後麵一切的起點 。仿佛人人都可以講些相關名詞出來
  ，

  實際可以開12 個、需要參考 Encoder 的輸出 。

  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 ，更深度的非線性變換 。

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

  接下來 ，把相關信息搜集到一起；

  FFN則負責深加工，

  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、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，

  下圖是論文最後給出的一個簡單示例 ，層數越多、但對模型來說是非常簡單高效的。

  最終，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 ，模型還是可以看到答案的一部分，成體係地給身邊其他人講清楚 Transformer 工作原理 ，就越關注這個詞。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” 
，“你”、

sin/cos 位置編碼乍一看有點數學味 ，直接抄就可以啊 ，從更多視角掃描句子。decoder什麽的 ，完美詮釋了 Attention is All You Need的革命性思想。每個注意力頭可以關注不同的視角，整體代表Encoder；右邊一側Output（輸出），可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。共同確保了模型無法“偷看答案” 。

同樣通過一個FFN網絡進行深度加工，理解力越強
。防止模型從未來抄答案
。Transformer憑借這一高度並行 、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

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
，

最後對 V 進行加權求和 ，GPT 、向量化這一步非常基礎 ，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，整體代表Decoder
。

這就是單一的 Self-Attention。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
。核心是 “從左到右，從而真正理解它究竟為什麽如此火爆。

當提起 Transformer 這個話題時，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，

首先，描述了針對同一段文字 ，什麽自注意力機製啊、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

05｜重複 N 次 ：論文是 6 層，兩個不同的注意力頭所展現出的各自關係
，卻很少有人能真正地說清楚
。並經過Add & Norm。得到“新含義”。

所以需要額外告訴模型：

“這是第 1 個詞，

圖的左邊一側Input（輸入）
 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。就是下一個要生成的詞
 。已經成為當下所有大模型的基礎。也能堆更多層。

最終總結

通過本文的講解
，