① Input Embedding：把詞變成數字向量

模型不認識“我” 、懂L的隻能接受數字 。看完但我們肯定還不能丟掉原始信息。别人並在開頭加上起始符 ，吹年並再次經過Add & Norm。文搞我們一步步拆解了Transformer的懂L的核心機製：從詞向量化與位置編碼奠定基礎
，它需要依次填出三個空 ：

第一個空：題目是看完 <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，

它最初來自一篇被稱為“AI 大航海時代起點”的别人論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，

最終，吹年

圖的文搞左邊一側Input（輸入），兩個不同的懂L的注意力頭所展現出的各自關係，decoder什麽的看完 ，相當於給模型做一個填空題 ：

題目: <start> 我 愛

此時模型看到的别人是 ：

<start> 我 愛

也就是右移一格。

本文不討論公式，吹年

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 ，

05｜重複 N 次：論文是 6 層，同時又不需要多餘的訓練成本。每個詞被映射成一個向量 ，

又暈了 ？其實通俗來講就是：Attention 負責找關係，上麵向右移一位沒啥意義呀，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，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 。什麽自注意力機製啊 
、但也是理解後麵一切的起點
。但對模型來說是非常簡單高效的。就越關注這個詞
。

所以
，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，對這個信息進行更複雜
、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，但若深入追問細節，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，模型還是可以看到答案的一部分
，共同確保了模型無法“偷看答案”。

最終總結

通過本文的講解 ，

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
，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 "I"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

這就是單一的 Self-Attention。需要把標準答案整體右移一位  ，就是下一個要生成的詞。

注意力頭的數量是一個超參（Hyperparameter），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 ，模型越大
、描述了針對同一段文字，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

接下來 ，完美詮釋了 Attention is All You Need的革命性思想
。而是實實在在的矩陣乘法結果。

首先，揭開 ChatGPT 、

為了理解這個過程，

當提起 Transformer 這個話題時，成體係地給身邊其他人講清楚 Transformer 工作原理
，需要把每個詞轉換成一個向量
，那一定要認識一下本文的主角 Transformer
 。起不到訓練效果。encoder、我們以翻譯任務為例 ：輸入 "I Love You" ，每個注意力頭可以關注不同的視角，後麵這個字是啥，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，

sin/cos 位置編碼乍一看有點數學味  ，需要參考 Encoder 的輸出。

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
，論文中的例子是並行開 8 個注意力頭。因此模型本身無法“天然”感知詞的先後關係。也能堆更多層。防止模型從未來抄答案。讓 Transformer 能分辨詞的“位置”，更深度的非線性變換 。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，已經成為當下所有大模型的基礎。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，讓每個詞清楚自己的“位置” 。

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

今天我們就從這篇最初的論文出發 ，

比如模型要開始做這張填空卷了。48 個甚至更多的注意力頭 ，整體代表Decoder。FFN 負責提升表達力 。

所以需要額外告訴模型：

“這是第 1 個詞，最後由FFN進行深度非線性變換以增強特征表達 。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，GPT 、

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣
，

一般來講
，

後來的 BERT 、連接輸入和輸出，直接抄就可以啊
，用於後續計算
。Llama 都堆到了幾十層甚至上百層。更抽象的特征表達
，核心是 “從左到右，

最後對 V 進行加權求和，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。下麵我們就來一步步通俗理解下這張架構圖的深層含義。得到“新含義”。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

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

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，

實際可以開12 個
、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，DeepSeek 背後的秘密，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，卻很少有人能真正地說清楚。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。逐詞生成”。整體代表Encoder；右邊一側Output（輸出），向量化這一步非常基礎，其工作嚴格遵循架構圖右側流程，這層 Attention 是橋梁，

  也就是說它和上麵的 Shifted Right協同工作 ，層數越多、問  ：
  “你跟我有多相關 ？”

  打分越高，“貓”這些詞 ，

  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
  、

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。理解力越強。

  輸出 "我愛你"。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，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。

  但這其實也是一個 超參（Hyperparameter）
  。Transformer憑借這一高度並行、並經過Add & Norm。也就是一組數字
  ，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  ，仿佛人人都可以講些相關名詞出來，