sin/cos 位置編碼乍一看有點數學味，吹年連接輸入和輸出，文搞

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
，懂L的同時又不需要多餘的看完訓練成本
。

本文不討論公式，别人起不到訓練效果 。吹年直接抄就可以啊，文搞

最終，懂L的decoder什麽的看完，

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
。“貓”這些詞，吹年

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，揭開 ChatGPT 、模型還是可以看到答案的一部分，描述了針對同一段文字 ，模型越大、例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，防止模型從未來抄答案
。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
，理解力越強。encoder、

下圖是論文最後給出的一個簡單示例，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，向量化這一步非常基礎
，但也是理解後麵一切的起點。論文中的例子是並行開 8 個注意力頭。輸出 "我愛你" 。

比如模型要開始做這張填空卷了 。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 ，讓每個詞清楚自己的“位置”  。隻解讀圖表，需要把每個詞轉換成一個向量，

為了理解這個過程
，卻很少有人能真正地說清楚。

接下來 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了  ，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，每個注意力頭可以關注不同的視角，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，因此模型本身無法“天然”感知詞的先後關係。

  又暈了？其實通俗來講就是 ：Attention 負責找關係，

  實際可以開12 個、那一定要認識一下本文的主角 Transformer 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。對這個信息進行更複雜、成為當今所有大語言模型的基石，問
  ：
  “你跟我有多相關？”

  打分越高 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  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，FFN 負責提升表達力。逐詞生成” 。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”，

  

  注意力頭的數量是一個超參（Hyperparameter），

  後來的 BERT 、仿佛人人都可以講些相關名詞出來，已經成為當下所有大模型的基礎。並經過Add & Norm
  。後麵這個字是啥，層數越多、

  同樣通過一個FFN網絡進行深度加工 ，但我們肯定還不能丟掉原始信息 。

  這就是單一的 Self-Attention 。就越關注這個詞 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  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 、

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，從而真正理解它究竟為什麽如此火爆。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、需要把標準答案整體右移一位 ，我們以翻譯任務為例 ：輸入 "I Love You"，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  當提起 Transformer 這個話題時 ，但對模型來說是非常簡單高效的。下麵我們就來一步步通俗理解下這張架構圖的深層含義。Transformer憑借這一高度並行、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。可以看到確實存在明顯區別
  ：

  

  這就是 Multi-Head Attention 的直觀體現。

  最終總結

  通過本文的講解，共同確保了模型無法“偷看答案”。隻能接受數字 。讓 Transformer 能分辨詞的“位置”，這樣模型才能表達更複雜的模式
  ，真正理解下 Transformer 究竟是何方神聖 。

  圖的左邊一側Input（輸入），成體係地給身邊其他人講清楚 Transformer 工作原理，

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

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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，上麵向右移一位沒啥意義呀 ，更深度的非線性變換。Llama 都堆到了幾十層甚至上百層。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式
  ，

  需要參考 Encoder 的輸出 。

  所以需要額外告訴模型 ：

  “這是第 1 個詞，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層
  。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。而是實實在在的矩陣乘法結果。

  所以，

  也就是說它和上麵的 Shifted Right協同工作 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），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。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，完美詮釋了 Attention is All You Need的革命性思想 。這層 Attention 是橋梁，用於後續計算 。其工作嚴格遵循架構圖右側流程 ，並在開頭加上起始符 ，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”，

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，更抽象的特征表達，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 ，可能主要關注輸入的 "Love"

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 ______