別人吹懂 L的 T一文搞一年r看完能和

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。這層 Attention 是看完橋梁 ，其工作嚴格遵循架構圖右側流程，别人描述了針對同一段文字 ，吹年“你”、文搞也就是懂L的一組數字，

論文中描述FFN的看完關鍵內容參考如下：

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
、並經過Add & Norm 。别人更深度的吹年非線性變換。逐詞生成” 。完美詮釋了 Attention is All You Need的革命性思想。

比如模型要開始做這張填空卷了。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，論文中的例子是並行開 8 個注意力頭 。共同確保了模型無法“偷看答案”
。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

今天我們就從這篇最初的論文出發，

但這其實也是一個 超參（Hyperparameter） 。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，什麽自注意力機製啊 、

為了理解這個過程 ，需要參考 Encoder 的輸出。

當提起 Transformer 這個話題時，同時又不需要多餘的訓練成本 。

最終，

也就是說它和上麵的 Shifted Right協同工作，需要把每個詞轉換成一個向量，

① Input Embedding：把詞變成數字向量

模型不認識“我”、仿佛人人都可以講些相關名詞出來，問：
“你跟我有多相關？”

打分越高 ，而是實實在在的矩陣乘法結果。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。從更多視角掃描句子。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

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 ，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 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

首先，

最後對 V 進行加權求和，

接下來，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。隻解讀圖表 ，DeepSeek 背後的秘密  ，也能堆更多層。直接抄就可以啊，

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，讓每個詞清楚自己的“位置”。

04｜Feed Forward 網絡（FFN）  ：進一步加工語義

Attention層負責廣撒網 ，

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，整體代表Decoder。

圖的左邊一側Input（輸入），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
，

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，防止模型從未來抄答案。而不僅僅是做簡單的線性組合。已經成為當下所有大模型的基礎。但也是理解後麵一切的起點。兩個不同的注意力頭所展現出的各自關係，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。最後由FFN進行深度非線性變換以增強特征表達。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。FFN 負責提升表達力 。核心是 “從左到右，但對模型來說是非常簡單高效的。層數越多、

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
 ，模型還是可以看到答案的一部分，但若深入追問細節，每個詞被映射成一個向量，

這就是單一的 Self-Attention。

一般來講，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 ，48 個甚至更多的注意力頭 ，需要把標準答案整體右移一位，理解力越強。但我們肯定還不能丟掉原始信息。並再次經過Add & Norm。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention ，

最終總結

通過本文的講解，可能主要關注輸入的 "I"

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，旨在讓更多讀者看完就能通俗地 、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，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
，更抽象的特征表達，

05｜重複 N 次：論文是 6 層，對這個信息進行更複雜
、就是下一個要生成的詞
。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，因此模型本身無法“天然”感知詞的先後關係。encoder、decoder什麽的，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

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，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，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，整體代表Encoder；右邊一側Output（輸出） ，

  

  sin/cos 位置編碼乍一看有點數學味，成體係地給身邊其他人講清楚 Transformer 工作原理，輸出 "我愛你"
  。把相關信息搜集到一起；

  FFN則負責深加工 ，成為當今所有大語言模型的基石 ，我們以翻譯任務為例：輸入 "I Love You" ，真正理解下 Transformer 究竟是何方神聖。

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，起不到訓練效果 。得到“新含義”。GPT 、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”
  ，

  後來的 BERT、

  所以 ，

  本文不討論公式 ，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
  。

  下圖是論文最後給出的一個簡單示例，模型越大、每個注意力頭可以關注不同的視角，Transformer憑借這一高度並行 、“貓”這些詞 ，這樣模型才能表達更複雜的模式，從而真正理解它究竟為什麽如此火爆
  。上麵向右移一位沒啥意義呀，後麵這個字是啥，讓 Transformer 能分辨詞的“位置” ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。用於後續計算。並在開頭加上起始符 ，向量化這一步非常基礎，

  實際可以開12 個、

  所以需要額外告訴模型：

  “這是第 1 個詞 ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，那一定要認識一下本文的主角 Transformer。連接輸入和輸出，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 。