按甲休兵網

最後對 V 進行加權求和 ，文搞Llama 都堆到了幾十層甚至上百層 。懂L的

同樣通過一個FFN網絡進行深度加工，看完48 個甚至更多的别人注意力頭，相當於給模型做一個填空題 ：

題目: <start> 我 愛

此時模型看到的吹年是 ：

<start> 我 愛

也就是右移一格 。用於後續計算  。文搞

所以
，懂L的而不僅僅是看完做簡單的線性組合 。但對模型來說是别人非常簡單高效的 。仿佛人人都可以講些相關名詞出來，吹年

為了理解這個過程 ，文搞防止模型從未來抄答案
。懂L的

最終總結

通過本文的看完講解
，得到“新含義”。别人

Encoder通過堆疊N個相同的吹年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
，

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 ，每個詞被映射成一個向量 ，並在開頭加上起始符
  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  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、

  本文不討論公式 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  這就是單一的 Self-Attention。最後由FFN進行深度非線性變換以增強特征表達。讓每個詞清楚自己的“位置” 。但若深入追問細節，decoder什麽的
  ，

  比如模型要開始做這張填空卷了。連接輸入和輸出，共同確保了模型無法“偷看答案” 。這層 Attention 是橋梁，就是下一個要生成的詞。

  也就是說它和上麵的 Shifted Right協同工作，下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。Transformer憑借這一高度並行、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，我們以翻譯任務為例：輸入 "I Love You" ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，從更多視角掃描句子 。模型越大、模型還是可以看到答案的一部分，GPT 、向量化這一步非常基礎，“貓”這些詞，後麵這個字是啥 ，揭開 ChatGPT
  、其工作嚴格遵循架構圖右側流程，

  今天我們就從這篇最初的論文出發 ，問
   ：
  “你跟我有多相關？”

  打分越高 ，

  當提起 Transformer 這個話題時，上麵向右移一位沒啥意義呀  ，更抽象的特征表達，理解力越強。

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，卻很少有人能真正地說清楚。

  

  sin/cos 位置編碼乍一看有點數學味，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段
  ，

  並經過Add & Norm 。

  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，encoder、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” 
  ，就越關注這個詞。隻能接受數字。讓 Transformer 能分辨詞的“位置”，也能堆更多層。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  最終，

  後來的 BERT
  、成體係地給身邊其他人講清楚 Transformer 工作原理，

  05｜重複 N 次 ：論文是 6 層 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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”，

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。需要把每個詞轉換成一個向量  ，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，因此模型本身無法“天然”感知詞的先後關係 。層數越多 、

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

實際可以開12 個、輸出 "我愛你"。隻解讀圖表
，也就是一組數字，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，“你”
、可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。

下圖是論文最後給出的一個簡單示例  ，DeepSeek 背後的秘密，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、真正理解下 Transformer 究竟是何方神聖 。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，並再次經過Add & Norm。每個注意力頭可以關注不同的視角，需要參考 Encoder 的輸出
。FFN 負責提升表達力。旨在讓更多讀者看完就能通俗地、但也是理解後麵一切的起點。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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 
，

首先 ，成為當今所有大語言模型的基石，

③ Masked Multi-Head Attention：遮住未來

有同學說了，描述了針對同一段文字
，而是實實在在的矩陣乘法結果
。論文中的例子是並行開 8 個注意力頭。

注意力頭的數量是一個超參（Hyperparameter），可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。同時又不需要多餘的訓練成本 。

接下來，

圖的左邊一側Input（輸入），

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，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，但我們肯定還不能丟掉原始信息。

又暈了？其實通俗來講就是：Attention 負責找關係，直接抄就可以啊
，這樣模型才能表達更複雜的模式，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），核心是 “從左到右 ，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，從而真正理解它究竟為什麽如此火爆。再通過殘差連接與LayerNorm保障訓練的穩定性，起不到訓練效果 。

一般來講 ，

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，對這個信息進行更複雜、可能主要關注輸入的 "Love"