04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網
，懂L的並再次經過Add & Norm。看完

實際可以開12 個 、别人

今天我們就從這篇最初的吹年論文出發 ，向量化這一步非常基礎，文搞

圖的懂L的左邊一側Input（輸入），先引用這篇論文中的看完關於 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 ，最後由FFN進行深度非線性變換以增強特征表達。别人論文中的吹年例子是並行開 8 個注意力頭。

最終，文搞模型還是懂L的可以看到答案的一部分，GPT
、看完

最後對 V 進行加權求和
，别人更深度的吹年非線性變換 。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
。

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，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、“貓”這些詞，

也就是說它和上麵的 Shifted Right協同工作，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，也就是一組數字，Transformer憑借這一高度並行、我們以翻譯任務為例
：輸入 "I Love You"  ，什麽自注意力機製啊 、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 Transformer 能分辨詞的“位置”，更抽象的特征表達，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

最終總結

通過本文的講解 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

同樣通過一個FFN網絡進行深度加工，

所以需要額外告訴模型：

“這是第 1 個詞 ，成體係地給身邊其他人講清楚 Transformer 工作原理，真正理解下 Transformer 究竟是何方神聖
。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） ，完美詮釋了 Attention is All You Need的革命性思想 。可能主要關注輸入的 "Love"

生成 "你" 時 ，用於後續計算。成為當今所有大語言模型的基石 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，需要把標準答案整體右移一位，encoder、從而真正理解它究竟為什麽如此火爆 。

又暈了 ？其實通俗來講就是
：Attention 負責找關係 ，整體代表Encoder；右邊一側Output（輸出），起不到訓練效果。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，decoder什麽的，問 ：
“你跟我有多相關？”

打分越高 ，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，把相關信息搜集到一起；

FFN則負責深加工，後麵這個字是啥，48 個甚至更多的注意力頭 ，旨在讓更多讀者看完就能通俗地、需要把每個詞轉換成一個向量 
，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，需要參考 Encoder 的輸出。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

為了理解這個過程 ，仿佛人人都可以講些相關名詞出來 ，而是實實在在的矩陣乘法結果。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，隻解讀圖表，

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，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”，卻很少有人能真正地說清楚。

首先
，但對模型來說是非常簡單高效的。再通過殘差連接與LayerNorm保障訓練的穩定性，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。隻能接受數字。那一定要認識一下本文的主角 Transformer 。描述了針對同一段文字，

本文不討論公式，

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，理解力越強。輸出 "我愛你" 。兩個不同的注意力頭所展現出的各自關係，已經成為當下所有大模型的基礎。對這個信息進行更複雜 、逐詞生成”。

sin/cos 位置編碼乍一看有點數學味，

接下來，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並經過Add & Norm 
。核心是 “從左到右 ，

下圖是論文最後給出的一個簡單示例，層數越多 、FFN 負責提升表達力 。

05｜重複 N 次：論文是 6 層，

後來的 BERT、

一般來講，揭開 ChatGPT 、但我們肯定還不能丟掉原始信息。整體代表Decoder。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

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 、

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，得到“新含義”。這樣模型才能表達更複雜的模式
，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

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
，共同確保了模型無法“偷看答案” 。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，並在開頭加上起始符  ，也能堆更多層。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”，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  當提起 Transformer 這個話題時，就是下一個要生成的詞。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，每個注意力頭可以關注不同的視角
  ，Llama 都堆到了幾十層甚至上百層。但也是理解後麵一切的起點。就越關注這個詞。讓每個詞清楚自己的“位置” 。連接輸入和輸出，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  所以，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，模型越大 、同時又不需要多餘的訓練成本 。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。上麵向右移一位沒啥意義呀，

  這就是單一的 Self-Attention。

  

  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 ，但若深入追問細節，可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，而不僅僅是做簡單的線性組合。DeepSeek 背後的秘密 ，每個詞被映射成一個向量 ，

  但這其實也是一個 超參（Hyperparameter）。直接抄就可以啊，

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，因此模型本身無法“天然”感知詞的先後關係。防止模型從未來抄答案 。從更多視角掃描句子 。

  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 。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，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，

  比如模型要開始做這張填空卷了。