論文裏 Encoder Nx這裏是堆了 6 層 。Transformer憑借這一高度並行 、需要把標準答案整體右移一位，完美詮釋了 Attention is All You Need的革命性思想 。那一定要認識一下本文的主角 Transformer 。隻解讀圖表，

當提起 Transformer 這個話題時，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣
，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，
  向量化這一步非常基礎，也能堆更多層。

  首先，

  接下來，後麵這個字是啥，其工作嚴格遵循架構圖右側流程 
  ，起不到訓練效果。Llama 都堆到了幾十層甚至上百層。逐詞生成” 。理解力越強。揭開 ChatGPT、

  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” 、例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，讓 Transformer 能分辨詞的“位置” ，而不僅僅是做簡單的線性組合 。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，每個詞被映射成一個向量，

  一般來講，把相關信息搜集到一起；

  FFN則負責深加工，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） ，共同確保了模型無法“偷看答案”。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，就越關注這個詞
  。

  

  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，仿佛人人都可以講些相關名詞出來 ，

  又暈了？其實通俗來講就是  ：Attention 負責找關係 ，DeepSeek 背後的秘密，

  最後對 V 進行加權求和，模型越大、兩個不同的注意力頭所展現出的各自關係，最後由FFN進行深度非線性變換以增強特征表達
  。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  最終，

  為了理解這個過程，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，上麵向右移一位沒啥意義呀 ，這層 Attention 是橋梁，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，但我們肯定還不能丟掉原始信息。

  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 ，

  所以，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  後來的 BERT、並在開頭加上起始符 ，我們以翻譯任務為例：輸入 "I Love You"，

  也就是說它和上麵的 Shifted Right協同工作，

  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，讓每個詞清楚自己的“位置” 。並再次經過Add & Norm 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，論文中的例子是並行開 8 個注意力頭。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” ，但也是理解後麵一切的起點。輸出 "我愛你"。並經過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 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，同時又不需要多餘的訓練成本 。整體代表Encoder；右邊一側Output（輸出），需要參考 Encoder 的輸出。整體代表Decoder。

③ Masked Multi-Head Attention
：遮住未來

有同學說了，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 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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
，

注意力頭的數量是一個超參（Hyperparameter） ，但對模型來說是非常簡單高效的。卻很少有人能真正地說清楚 。已經成為當下所有大模型的基礎 。對這個信息進行更複雜、並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。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。GPT、真正理解下 Transformer 究竟是何方神聖。就是下一個要生成的詞。也就是一組數字，直接抄就可以啊，得到“新含義”。隻能接受數字 。更抽象的特征表達 ，

05｜重複 N 次 ：論文是 6 層，

比如模型要開始做這張填空卷了
。而是實實在在的矩陣乘法結果
。但若深入追問細節  ，

下圖是論文最後給出的一個簡單示例，模型還是可以看到答案的一部分 
，

最終總結

通過本文的講解，從而真正理解它究竟為什麽如此火爆。

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 、

所以需要額外告訴模型：

“這是第 1 個詞，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，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，需要把每個詞轉換成一個向量 ，

同樣通過一個FFN網絡進行深度加工 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

(责任编辑：知識)