因為我們需要從多個角度來理解自然語言
。問：
“你跟我有多相關？别人”

打分越高，隻能接受數字。吹年並最終經過Add & Norm後輸出給下一層或最終的文搞預測模塊。decoder什麽的懂L的
，會有類似這樣的看完一組概率：

你：71%
他：16%
它 ：11%
其它：2%

選概率最高的，

於是别人：

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
，

實際可以開12 個 、吹年需要把每個詞轉換成一個向量，文搞

今天我們就從這篇最初的懂L的論文出發
 ，

句子中的看完每個詞都會生成 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，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的吹年詞，但也是理解後麵一切的起點。這層 Attention 是橋梁，模型越大 、我們以翻譯任務為例：輸入 "I Love You" ，

首先，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。兩個不同的注意力頭所展現出的各自關係，

後來的 BERT 、直接抄就可以啊，整體代表Decoder 。更抽象的特征表達
，

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 ，encoder、但對模型來說是非常簡單高效的 。並經過Add & Norm。對這個信息進行更複雜 、共同確保了模型無法“偷看答案” 。因此模型本身無法“天然”感知詞的先後關係。整體代表Encoder；右邊一側Output（輸出） ，完美詮釋了 Attention is All You Need的革命性思想。

sin/cos 位置編碼乍一看有點數學味，但我們肯定還不能丟掉原始信息 。

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、論文中的例子是並行開 8 個注意力頭 
。已經成為當下所有大模型的基礎 。再通過殘差連接與LayerNorm保障訓練的穩定性 ，而不僅僅是做簡單的線性組合。成為當今所有大語言模型的基石，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 ，旨在讓更多讀者看完就能通俗地 、讓每個詞清楚自己的“位置” 。並在開頭加上起始符 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，

但這其實也是一個 超參（Hyperparameter）。

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 ，Llama 都堆到了幾十層甚至上百層。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，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，需要參考 Encoder 的輸出。連接輸入和輸出 
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。Transformer憑借這一高度並行、下麵我們就來一步步通俗理解下這張架構圖的深層含義。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，描述了針對同一段文字  ，每個注意力頭可以關注不同的視角
，其工作嚴格遵循架構圖右側流程 ，

同樣通過一個FFN網絡進行深度加工 ，用於後續計算。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，並再次經過Add & Norm 。就越關注這個詞。每個詞被映射成一個向量 ，那一定要認識一下本文的主角 Transformer。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，理解力越強 。就是下一個要生成的詞 。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，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，也能堆更多層 。

  接下來 ，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” ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，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，

  

  注意力頭的數量是一個超參（Hyperparameter），核心是 “從左到右，讓 Transformer 能分辨詞的“位置” ，把相關信息搜集到一起；

  FFN則負責深加工 ，上麵向右移一位沒啥意義呀 ，

  05｜重複 N 次
  ：論文是 6 層 ，卻很少有人能真正地說清楚。可能主要關注輸入的 "Love"

• 生成 "你" 時  ，同時又不需要多餘的訓練成本
  。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，而是實實在在的矩陣乘法結果
  。

  為了理解這個過程
  ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，隻解讀圖表，FFN 負責提升表達力。向量化這一步非常基礎，逐詞生成”。層數越多 、防止模型從未來抄答案。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，仿佛人人都可以講些相關名詞出來，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  所以需要額外告訴模型 ：

  “這是第 1 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”，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。

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，

又暈了？其實通俗來講就是：Attention 負責找關係，

本文不討論公式 ，模型還是可以看到答案的一部分，

最終總結

通過本文的講解，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網
，但若深入追問細節，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣
，從更多視角掃描句子 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，

最後對 V 進行加權求和，

最終 ，“貓”這些詞，起不到訓練效果 。48 個甚至更多的注意力頭
，

也就是說它和上麵的 Shifted Right協同工作 ，

比如模型要開始做這張填空卷了 。得到“新含義”。“你”、輸出 "我愛你"。這樣模型才能表達更複雜的模式，更深度的非線性變換。後麵這個字是啥，從而真正理解它究竟為什麽如此火爆 。可能主要關注輸入的 "I"