這就是文搞單一的 Self-Attention。整體代表Decoder 。懂L的

一般來講，看完用於後續計算 。别人真正理解下 Transformer 究竟是吹年何方神聖 。層數越多 、文搞

所以需要額外告訴模型：

“這是懂L的第 1 個詞，

當提起 Transformer 這個話題時，看完DeepSeek 背後的别人秘密 ，

吹年直接抄就可以啊，文搞decoder什麽的懂L的，可擴展的看完對稱性設計（Encoder與Decoder層具有相似的核心結構），

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是别人“加工”了一遍詞向量 ，每個詞被映射成一個向量，吹年把相關信息搜集到一起；

FFN則負責深加工 ，

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，整體代表Encoder；右邊一側Output（輸出），每個注意力頭可以關注不同的視角，更深度的非線性變換  。從而真正理解它究竟為什麽如此火爆 。並經過Add & Norm
。同時又不需要多餘的訓練成本 。向量化這一步非常基礎，最後由FFN進行深度非線性變換以增強特征表達。論文中的例子是並行開 8 個注意力頭。“你”、核心是 “從左到右 ，讓 Transformer 能分辨詞的“位置”，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣
，更抽象的特征表達
，也就是一組數字 ，

05｜重複 N 次
：論文是 6 層，

也就是說它和上麵的 Shifted Right協同工作
，這樣模型才能表達更複雜的模式 ，

sin/cos 位置編碼乍一看有點數學味，因此模型本身無法“天然”感知詞的先後關係。

注意力頭的數量是一個超參（Hyperparameter），

實際可以開12 個、

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 ，其工作嚴格遵循架構圖右側流程 
，就越關注這個詞。但也是理解後麵一切的起點。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，成體係地給身邊其他人講清楚 Transformer 工作原理
，可能主要關注輸入的 "Love"

生成 "你" 時
，

③ Q / K / V  ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。但我們肯定還不能丟掉原始信息。逐詞生成”。那一定要認識一下本文的主角 Transformer。這層 Attention 是橋梁，需要參考 Encoder 的輸出 。

今天我們就從這篇最初的論文出發
，

首先 ，

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 ，

圖的左邊一側Input（輸入），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，讓每個詞清楚自己的“位置”。並再次經過Add & Norm 。我們以翻譯任務為例：輸入 "I Love You" ，但若深入追問細節，就是下一個要生成的詞
。GPT
、完美詮釋了 Attention is All You Need的革命性思想 。

下圖是論文最後給出的一個簡單示例
，encoder、防止模型從未來抄答案 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。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” ，需要把標準答案整體右移一位，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 ，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，已經成為當下所有大模型的基礎 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，而是實實在在的矩陣乘法結果。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。連接輸入和輸出，

但這其實也是一個 超參（Hyperparameter）。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

本文不討論公式 ，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”，

又暈了
？其實通俗來講就是：Attention 負責找關係 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，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 ，旨在讓更多讀者看完就能通俗地、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” ，揭開 ChatGPT、什麽自注意力機製啊 、描述了針對同一段文字
，Llama 都堆到了幾十層甚至上百層
 。48 個甚至更多的注意力頭
，從更多視角掃描句子。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 ，

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 、

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 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。可能主要關注輸入的 "I"

生成 "愛" 時，模型還是可以看到答案的一部分，理解力越強 。

比如模型要開始做這張填空卷了。問：
“你跟我有多相關？”

打分越高，但對模型來說是非常簡單高效的。

最後對 V 進行加權求和，

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 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，卻很少有人能真正地說清楚。

同樣通過一個FFN網絡進行深度加工 ，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。隻能接受數字
。也能堆更多層 。仿佛人人都可以講些相關名詞出來 ，上麵向右移一位沒啥意義呀，模型越大 、FFN 負責提升表達力
。成為當今所有大語言模型的基石 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”
、

最終
，

所以 ，並在開頭加上起始符 ，兩個不同的注意力頭所展現出的各自關係，

接下來，

後來的 BERT、後麵這個字是啥，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，共同確保了模型無法“偷看答案” 。

為了理解這個過程 ，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。得到“新含義”。隻解讀圖表，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，“貓”這些詞，對這個信息進行更複雜、

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，需要把每個詞轉換成一個向量
 ，輸出 "我愛你"。Transformer憑借這一高度並行 、

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。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，

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。而不僅僅是做簡單的線性組合。起不到訓練效果
。

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網
，