sin/cos 位置編碼乍一看有點數學味，懂L的論文中的看完例子是並行開 8 個注意力頭 。

於是别人：

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 ，“貓”這些詞，吹年問：
“你跟我有多相關 ？文搞”

打分越高，上麵向右移一位沒啥意義呀 ，懂L的其工作嚴格遵循架構圖右側流程，看完

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，别人

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，吹年

一般來講 ，文搞

論文中描述FFN的懂L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、用於後續計算。看完讓 Decoder 可以“請教 Encoder”：

“你生成的别人詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You" ：

• 生成 "我" 時，

  最終，吹年從而真正理解它究竟為什麽如此火爆。對這個信息進行更複雜
  、真正理解下 Transformer 究竟是何方神聖。揭開 ChatGPT、而是實實在在的矩陣乘法結果 。

  當提起 Transformer 這個話題時 ，因此模型本身無法“天然”感知詞的先後關係 。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，共同確保了模型無法“偷看答案”。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，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。

  接下來，decoder什麽的，這樣模型才能表達更複雜的模式
   ，

  實際可以開12 個、例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，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 ，但對模型來說是非常簡單高效的 。整體代表Encoder；右邊一側Output（輸出），

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，逐詞生成” 。

  為了理解這個過程，並再次經過Add & Norm 。起不到訓練效果 。

  比如模型要開始做這張填空卷了
  。

  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
  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”
  ，

  下圖是論文最後給出的一個簡單示例 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。把相關信息搜集到一起；

  FFN則負責深加工 ，

  後來的 BERT 、完美詮釋了 Attention is All You Need的革命性思想 。FFN 負責提升表達力。什麽自注意力機製啊、最後由FFN進行深度非線性變換以增強特征表達。旨在讓更多讀者看完就能通俗地、核心是 “從左到右，“你”、從更多視角掃描句子。整體代表Decoder 。

  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，

  05｜重複 N 次
  ：論文是 6 層 ，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，但也是理解後麵一切的起點
  。

  同樣通過一個FFN網絡進行深度加工，就是下一個要生成的詞。描述了針對同一段文字，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” ，但若深入追問細節，連接輸入和輸出，已經成為當下所有大模型的基礎。並經過Add & Norm 。這層 Attention 是橋梁，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，卻很少有人能真正地說清楚。同時又不需要多餘的訓練成本。需要把標準答案整體右移一位，

  又暈了？其實通俗來講就是：Attention 負責找關係
  ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  所以需要額外告訴模型 ：

  “這是第 1 個詞 
  ，

  首先
  ，我們以翻譯任務為例 ：輸入 "I Love You"
  ，

  最後對 V 進行加權求和
  ，

  這就是單一的 Self-Attention。

  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。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，直接抄就可以啊 ，

  本文不討論公式
  ，Llama 都堆到了幾十層甚至上百層 。輸出 "我愛你" 。向量化這一步非常基礎
  ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。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” ，

圖的左邊一側Input（輸入），GPT
、模型還是可以看到答案的一部分，

今天我們就從這篇最初的論文出發 
，並在開頭加上起始符  ，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 
，但我們肯定還不能丟掉原始信息 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊
。encoder、

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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

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，隻解讀圖表，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 。也能堆更多層。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。後麵這個字是啥，也就是一組數字，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。需要參考 Encoder 的輸出 。每個詞被映射成一個向量 ，

也就是說它和上麵的 Shifted Right協同工作 ，

① Input Embedding  ：把詞變成數字向量

模型不認識“我” 、隻能接受數字。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
，更抽象的特征表達，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”，得到“新含義”。讓每個詞清楚自己的“位置” 。

所以，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，更深度的非線性變換。理解力越強。Transformer憑借這一高度並行 、可能主要關注輸入的 "I"