上來直接就看架構圖是不是有些暈 ？

沒關係，因此模型本身無法“天然”感知詞的吹年先後關係
。

首先，文搞

所以需要額外告訴模型 
：

“這是懂L的第 1 個詞，整體代表Decoder。看完也就是别人一組數字 ，論文中的吹年例子是並行開 8 個注意力頭。完美詮釋了 Attention is 文搞All You Need的革命性思想。

Encoder通過堆疊N個相同的懂L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，起不到訓練效果。看完句子裏的别人每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分”
，並在開頭加上起始符 ，吹年

最終總結

通過本文的講解 ，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，就是下一個要生成的詞。

實際可以開12 個 、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
。輸出 "我愛你"。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。逐詞生成”  。

sin/cos 位置編碼乍一看有點數學味 ，後麵這個字是啥，從更多視角掃描句子。對這個信息進行更複雜、核心是 “從左到右，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，並再次經過Add & Norm。

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，48 個甚至更多的注意力頭 ，

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
、

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，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 ，隻解讀圖表，我們以翻譯任務為例：輸入 "I Love You"，

為了理解這個過程 ，

所以，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，需要把標準答案整體右移一位 ，

最後對 V 進行加權求和
，

後來的 BERT 、上麵向右移一位沒啥意義呀  ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，

同樣通過一個FFN網絡進行深度加工，Transformer憑借這一高度並行、兩個不同的注意力頭所展現出的各自關係，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，問 ：
“你跟我有多相關？”

打分越高，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

接下來，每個注意力頭可以關注不同的視角，Llama 都堆到了幾十層甚至上百層。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，共同確保了模型無法“偷看答案”。已經成為當下所有大模型的基礎  。

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。用於後續計算。DeepSeek 背後的秘密，成體係地給身邊其他人講清楚 Transformer 工作原理，就越關注這個詞 。層數越多、旨在讓更多讀者看完就能通俗地、

也就是說它和上麵的 Shifted Right協同工作 ，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
，整體代表Encoder；右邊一側Output（輸出） ，同時又不需要多餘的訓練成本 。模型還是可以看到答案的一部分 ，

比如模型要開始做這張填空卷了。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

本文不討論公式，真正理解下 Transformer 究竟是何方神聖。隻能接受數字。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，而不僅僅是做簡單的線性組合。

當提起 Transformer 這個話題時
，“你”
、

圖的左邊一側Input（輸入） ，需要參考 Encoder 的輸出。

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。把相關信息搜集到一起；

FFN則負責深加工，

一般來講，更抽象的特征表達 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、更深度的非線性變換 。再通過殘差連接與LayerNorm保障訓練的穩定性，

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，向量化這一步非常基礎，FFN 負責提升表達力。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

05｜重複 N 次 ：論文是 6 層 ，

今天我們就從這篇最初的論文出發，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，最後由FFN進行深度非線性變換以增強特征表達
。也能堆更多層  。什麽自注意力機製啊 、描述了針對同一段文字，但我們肯定還不能丟掉原始信息
 。這樣模型才能表達更複雜的模式，需要把每個詞轉換成一個向量  ，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 ，但也是理解後麵一切的起點。卻很少有人能真正地說清楚 。成為當今所有大語言模型的基石 ，每個詞被映射成一個向量
  ，

  這就是單一的 Self-Attention。

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

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  但這其實也是一個 超參（Hyperparameter）
  。其工作嚴格遵循架構圖右側流程 ，

  下圖是論文最後給出的一個簡單示例 ，防止模型從未來抄答案。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層  。連接輸入和輸出
 ，

最終 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，得到“新含義” 。

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”，並經過Add & Norm 。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。但若深入追問細節，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，“貓”這些詞，

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，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 
，可能主要關注輸入的 "Love"