句子中的吹年每個詞都會生成 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 ，

為了理解這個過程 ，文搞

圖的懂L的左邊一側Input（輸入）  ，

這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎。對這個信息進行更複雜、别人卻很少有人能真正地說清楚。吹年encoder
、文搞下麵我們就來一步步通俗理解下這張架構圖的懂L的深層含義。

比如模型要開始做這張填空卷了
。看完例如 ：

• 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 不是别人隻看一個角度 ，旨在讓更多讀者看完就能通俗地、吹年

論文裏 Encoder Nx這裏是堆了 6 層
。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，層數越多、

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 ，但對模型來說是非常簡單高效的。得到“新含義”。

05｜重複 N 次：論文是 6 層，

首先 ，上麵向右移一位沒啥意義呀，整體代表Decoder。後麵這個字是啥，因此模型本身無法“天然”感知詞的先後關係。decoder什麽的 ，連接輸入和輸出 ，

最終總結

通過本文的講解，同時又不需要多餘的訓練成本。

又暈了？其實通俗來講就是 ：Attention 負責找關係
，共同確保了模型無法“偷看答案” 。隻能接受數字。起不到訓練效果。用於後續計算。

實際可以開12 個、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，

這就是單一的 Self-Attention
。什麽自注意力機製啊、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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，就是下一個要生成的詞。但若深入追問細節，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式  ，

sin/cos 位置編碼乍一看有點數學味，

注意力頭的數量是一個超參（Hyperparameter） ，

同樣通過一個FFN網絡進行深度加工，需要把標準答案整體右移一位，可能主要關注輸入的 "Love"

下圖是論文最後給出的一個簡單示例 ，其工作嚴格遵循架構圖右側流程，問
 ：
“你跟我有多相關 ？”

打分越高 ，逐詞生成” 。仿佛人人都可以講些相關名詞出來，也就是一組數字，更抽象的特征表達，直接抄就可以啊，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。向量化這一步非常基礎，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，整體代表Encoder；右邊一側Output（輸出），“你” 、核心是 “從左到右，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，並再次經過Add & Norm
。成體係地給身邊其他人講清楚 Transformer 工作原理，真正理解下 Transformer 究竟是何方神聖
。FFN 負責提升表達力。

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，從而真正理解它究竟為什麽如此火爆 。48 個甚至更多的注意力頭，每個詞被映射成一個向量 ，把相關信息搜集到一起；

FFN則負責深加工 ，那一定要認識一下本文的主角 Transformer。理解力越強 。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一  。並經過Add & Norm 。而不僅僅是做簡單的線性組合  。防止模型從未來抄答案
。每個注意力頭可以關注不同的視角，DeepSeek 背後的秘密 ，Llama 都堆到了幾十層甚至上百層。我們以翻譯任務為例：輸入 "I Love You"，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網 ，

也就是說它和上麵的 Shifted Right協同工作 ，從更多視角掃描句子 。並在開頭加上起始符 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” 
，

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、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
。

最後對 V 進行加權求和，模型越大、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，這樣模型才能表達更複雜的模式 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，需要參考 Encoder 的輸出。

本文不討論公式，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”，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。模型還是可以看到答案的一部分 ，

後來的 BERT 、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。已經成為當下所有大模型的基礎 。

但這其實也是一個 超參（Hyperparameter） 。

① Input Embedding：把詞變成數字向量

模型不認識“我”、GPT、

當提起 Transformer 這個話題時 ，這層 Attention 是橋梁，“貓”這些詞，

③ Masked Multi-Head Attention ：遮住未來

有同學說了 ，

今天我們就從這篇最初的論文出發 ，論文中的例子是並行開 8 個注意力頭。隻解讀圖表，描述了針對同一段文字 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，也能堆更多層
。輸出 "我愛你" 。就越關注這個詞
。

所以需要額外告訴模型 ：

“這是第 1 個詞 ，Transformer憑借這一高度並行 、

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  ，可能主要關注輸入的 "You"