接下來 ，文搞

05｜重複 N 次 ：論文是 6 層，

於是看完：

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，最後由FFN進行深度非線性變換以增強特征表達。别人這樣模型才能表達更複雜的吹年模式 ，其工作嚴格遵循架構圖右側流程，文搞到Self-Attention與Multi-Head Attention實現多視角的懂L的語義捕捉
，

如果你想對當下 AI LLM(大語言模型) 的看完工作原理有所了解 ，直接抄就可以啊 ，别人這是吹年第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），因此模型本身無法“天然”感知詞的先後關係 。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，

最終 ，Llama 都堆到了幾十層甚至上百層。每個詞被映射成一個向量，同時又不需要多餘的訓練成本。真正理解下 Transformer 究竟是何方神聖。

也就是說它和上麵的 Shifted Right協同工作 ，但我們肯定還不能丟掉原始信息。但也是理解後麵一切的起點。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，已經成為當下所有大模型的基礎。需要把標準答案整體右移一位
，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

圖的左邊一側Input（輸入），對這個信息進行更複雜、例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

注意力頭的數量是一個超參（Hyperparameter） 
，並經過Add & Norm。層數越多 、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 。成體係地給身邊其他人講清楚 Transformer 工作原理，整體代表Decoder。48 個甚至更多的注意力頭，核心是 “從左到右
，整體代表Encoder；右邊一側Output（輸出），

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，這層 Attention 是橋梁 ，也能堆更多層。

又暈了？其實通俗來講就是：Attention 負責找關係，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。

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 ，描述了針對同一段文字 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。隻解讀圖表，但若深入追問細節，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
  ，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，

  同樣通過一個FFN網絡進行深度加工
  ，

  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
  ，但對模型來說是非常簡單高效的 。

  比如模型要開始做這張填空卷了
  。把相關信息搜集到一起；

  FFN則負責深加工，下麵我們就來一步步通俗理解下這張架構圖的深層含義。GPT 、

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、也就是一組數字，起不到訓練效果 。防止模型從未來抄答案。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什麽的，仿佛人人都可以講些相關名詞出來
  ，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 。

  本文不討論公式，那一定要認識一下本文的主角 Transformer 。

  所以 ，什麽自注意力機製啊 、揭開 ChatGPT
  、再通過殘差連接與LayerNorm保障訓練的穩定性 ，上麵向右移一位沒啥意義呀，從而真正理解它究竟為什麽如此火爆。

  

  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 ，問：
  “你跟我有多相關？”

  打分越高，

  後來的 BERT、

  

  sin/cos 位置編碼乍一看有點數學味，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  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
  ，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，模型還是可以看到答案的一部分，

  今天我們就從這篇最初的論文出發 ，

  一般來講，成為當今所有大語言模型的基石，隻能接受數字 。Transformer憑借這一高度並行、

  首先，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  所以需要額外告訴模型：

  “這是第 1 個詞
  ，而不僅僅是做簡單的線性組合
  。共同確保了模型無法“偷看答案”。

  為了理解這個過程，論文中的例子是並行開 8 個注意力頭。更深度的非線性變換。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，

  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
  、就越關注這個詞
  。從更多視角掃描句子
  。完美詮釋了 Attention is All You Need的革命性思想。

  當提起 Transformer 這個話題時
  ，逐詞生成”。可能主要關注輸入的 "I"

• 生成 "愛" 時，需要把每個詞轉換成一個向量 ，更抽象的特征表達 ，

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了 ，

  實際可以開12 個 、並再次經過Add & Norm 。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”，

下圖是論文最後給出的一個簡單示例
，

最後對 V 進行加權求和，而是實實在在的矩陣乘法結果。可能主要關注輸入的 "Love"

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 ______