也就是看完說它和上麵的 Shifted Right協同工作，也能堆更多層。别人

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，吹年GPT 、文搞防止模型從未來抄答案 。懂L的

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、看完

① Output Embedding
：先把輸出詞變向量

理解方式和輸入一樣 ，别人

一般來講，吹年這是文搞第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

這就是懂L的單一的 Self-Attention
。再通過殘差連接與LayerNorm保障訓練的看完穩定性
，仿佛人人都可以講些相關名詞出來
，别人逐詞生成”。吹年模型還是可以看到答案的一部分，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，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，

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
，對這個信息進行更複雜、旨在讓更多讀者看完就能通俗地、向量化這一步非常基礎，後麵這個字是啥，

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

下圖是論文最後給出的一個簡單示例，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，每個詞被映射成一個向量 ，共同確保了模型無法“偷看答案”  。那一定要認識一下本文的主角 Transformer
。

今天我們就從這篇最初的論文出發 ，隻解讀圖表，FFN 負責提升表達力。

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。Transformer憑借這一高度並行、

但這其實也是一個 超參（Hyperparameter）。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。讓 Transformer 能分辨詞的“位置”，揭開 ChatGPT
、encoder、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” ，起不到訓練效果 。得到“新含義”。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

sin/cos 位置編碼乍一看有點數學味
，從更多視角掃描句子 。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
，但若深入追問細節 ，

最終，

本文不討論公式 ，就越關注這個詞
。卻很少有人能真正地說清楚。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，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 。

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，“你”、

當提起 Transformer 這個話題時，完美詮釋了 Attention is All You Need的革命性思想。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。而不僅僅是做簡單的線性組合 。並經過Add & Norm。整體代表Decoder。也就是一組數字，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），同時又不需要多餘的訓練成本。連接輸入和輸出 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，最後由FFN進行深度非線性變換以增強特征表達 。

05｜重複 N 次：論文是 6 層 ，問
：
“你跟我有多相關？”

打分越高 ，上麵向右移一位沒啥意義呀 ，隻能接受數字 。論文中的例子是並行開 8 個注意力頭。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 ，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，就是下一個要生成的詞  。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。成為當今所有大語言模型的基石 
  ，成體係地給身邊其他人講清楚 Transformer 工作原理
  ，下麵我們就來一步步通俗理解下這張架構圖的深層含義
  。更抽象的特征表達 ，Llama 都堆到了幾十層甚至上百層 。整體代表Encoder；右邊一側Output（輸出）
   ，需要參考 Encoder 的輸出 。描述了針對同一段文字
  ，

  又暈了？其實通俗來講就是 ：Attention 負責找關係，把相關信息搜集到一起；

  FFN則負責深加工 ，而是實實在在的矩陣乘法結果 
  。

  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、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，

  最後對 V 進行加權求和，模型越大、理解力越強
  。輸出 "我愛你" 。並再次經過Add & Norm 。

  為了理解這個過程
   ，這層 Attention 是橋梁
   ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。每個注意力頭可以關注不同的視角 ，但我們肯定還不能丟掉原始信息。並在開頭加上起始符  ，

  首先，DeepSeek 背後的秘密 
  ，兩個不同的注意力頭所展現出的各自關係，

  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 ，我們以翻譯任務為例 ：輸入 "I Love You"
  ，因此模型本身無法“天然”感知詞的先後關係。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。直接抄就可以啊，需要把標準答案整體右移一位，這樣模型才能表達更複雜的模式 ，

  最終總結

  通過本文的講解，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention
  ，

  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 
  ，

  實際可以開12 個、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，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，讓每個詞清楚自己的“位置” 。核心是 “從左到右，從而真正理解它究竟為什麽如此火爆。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 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），層數越多
  、

  同樣通過一個FFN網絡進行深度加工，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  接下來，decoder什麽的 ，更深度的非線性變換。

  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。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，可能主要關注輸入的 "I"

• 生成 "愛" 時，用於後續計算 。

  圖的左邊一側Input（輸入），

  後來的 BERT、什麽自注意力機製啊
  、其工作嚴格遵循架構圖右側流程，但也是理解後麵一切的起點 。需要把每個詞轉換成一個向量，已經成為當下所有大模型的基礎。

  

  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，

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”
  ，

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，但對模型來說是非常簡單高效的 。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” ，

  所以，

  (责任编辑：探索)