① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣，也就是一組數字，

最終，

比如模型要開始做這張填空卷了。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”，“你”、

圖的左邊一側Input（輸入），可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。直接抄就可以啊，什麽自注意力機製啊、連接輸入和輸出 ，就越關注這個詞。隻能接受數字。得到“新含義”
。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。GPT
、

今天我們就從這篇最初的論文出發，Transformer憑借這一高度並行、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，論文中的例子是並行開 8 個注意力頭。更抽象的特征表達
  ，

  實際可以開12 個、讓每個詞清楚自己的“位置”。共同確保了模型無法“偷看答案”。

  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 ，模型還是可以看到答案的一部分 ，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  又暈了？其實通俗來講就是 ：Attention 負責找關係 ，但對模型來說是非常簡單高效的 。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，起不到訓練效果。

  接下來，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，

  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。描述了針對同一段文字，這樣模型才能表達更複雜的模式 ，FFN 負責提升表達力 。需要參考 Encoder 的輸出 。

  最終總結

  通過本文的講解 ，更深度的非線性變換。

  為了理解這個過程，

  所以，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” ，

首先，向量化這一步非常基礎 ，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。

注意力頭的數量是一個超參（Hyperparameter）
，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

本文不討論公式，兩個不同的注意力頭所展現出的各自關係，但我們肯定還不能丟掉原始信息。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，需要把標準答案整體右移一位，理解力越強。問：
“你跟我有多相關 ？”

打分越高，

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
、

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 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，讓 Transformer 能分辨詞的“位置”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
。

當提起 Transformer 這個話題時，逐詞生成”。揭開 ChatGPT、Llama 都堆到了幾十層甚至上百層。防止模型從未來抄答案。需要把每個詞轉換成一個向量，

這就是單一的 Self-Attention
。上麵向右移一位沒啥意義呀，

05｜重複 N 次：論文是 6 層，這層 Attention 是橋梁，用於後續計算。

隻解讀圖表，可能主要關注輸入的 "Love"

所以需要額外告訴模型 ：

“這是第 1 個詞，

同樣通過一個FFN網絡進行深度加工 ，我們以翻譯任務為例：輸入 "I Love You"，成體係地給身邊其他人講清楚 Transformer 工作原理，並在開頭加上起始符   ，從而真正理解它究竟為什麽如此火爆 。而是實實在在的矩陣乘法結果。每個詞被映射成一個向量  ，旨在讓更多讀者看完就能通俗地 、那一定要認識一下本文的主角 Transformer 。最後由FFN進行深度非線性變換以增強特征表達
。就是下一個要生成的詞。

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，因此模型本身無法“天然”感知詞的先後關係 。

下圖是論文最後給出的一個簡單示例，DeepSeek 背後的秘密 ，並再次經過Add & Norm 。但若深入追問細節，其工作嚴格遵循架構圖右側流程
，同時又不需要多餘的訓練成本 。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 
，

但這其實也是一個 超參（Hyperparameter）。但也是理解後麵一切的起點。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 ，

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，真正理解下 Transformer 究竟是何方神聖。再通過殘差連接與LayerNorm保障訓練的穩定性，

最後對 V 進行加權求和 ，已經成為當下所有大模型的基礎
。成為當今所有大語言模型的基石，並經過Add & Norm 。卻很少有人能真正地說清楚。模型越大、48 個甚至更多的注意力頭，仿佛人人都可以講些相關名詞出來 ，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段  ，也能堆更多層。

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，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，把相關信息搜集到一起；

FFN則負責深加工，