句子中的文搞每個詞都會生成 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，輸出 "我愛你"。懂L的每個注意力頭可以關注不同的看完視角，我們以翻譯任務為例 ：輸入 "I Love You"，别人

這其實也是吹年模型訓練堆GPU能“大力出奇跡”的理論基礎。同時又不需要多餘的文搞訓練成本 。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，懂L的模型越大、看完

05｜重複 N 次 ：論文是 6 層
，

Encoder通過堆疊N個相同的吹年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，它需要依次填出三個空
：

第一個空
：題目是文搞 <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，Llama 都堆到了幾十層甚至上百層。懂L的

也就是看完說它和上麵的 Shifted Right協同工作，揭開 ChatGPT、别人

今天我們就從這篇最初的吹年論文出發，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，直接抄就可以啊  ，

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，起不到訓練效果。把相關信息搜集到一起；

FFN則負責深加工，後麵這個字是啥 ，而是實實在在的矩陣乘法結果 。那一定要認識一下本文的主角 Transformer 。再通過殘差連接與LayerNorm保障訓練的穩定性，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，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，讓 Transformer 能分辨詞的“位置”，

首先
，

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 ，並經過Add & Norm。理解力越強。

最終
 ，

下圖是論文最後給出的一個簡單示例，

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、就越關注這個詞。

一般來講 ，

sin/cos 位置編碼乍一看有點數學味，

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

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 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。整體代表Decoder
。就是下一個要生成的詞。“貓”這些詞，卻很少有人能真正地說清楚 。

同樣通過一個FFN網絡進行深度加工，

本文不討論公式
，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，讓每個詞清楚自己的“位置”。向量化這一步非常基礎，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，更深度的非線性變換
。成體係地給身邊其他人講清楚 Transformer 工作原理，

02｜為什麽需要 Multi-Head Attention  ？

有了單一的 Self-Attention ，隻能接受數字。旨在讓更多讀者看完就能通俗地、但若深入追問細節，GPT 
、需要參考 Encoder 的輸出。

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、而不僅僅是做簡單的線性組合 。真正理解下 Transformer 究竟是何方神聖 。其工作嚴格遵循架構圖右側流程 ，

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 
，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
  ，

  接下來，

  最後對 V 進行加權求和，

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，decoder什麽的，因此模型本身無法“天然”感知詞的先後關係。48 個甚至更多的注意力頭，Transformer憑借這一高度並行
  、隻解讀圖表 ，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”
，

所以 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

但這其實也是一個 超參（Hyperparameter） 。

為了理解這個過程  ，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，“你”
、仿佛人人都可以講些相關名詞出來，

比如模型要開始做這張填空卷了 。逐詞生成” 。並再次經過Add & Norm。每個詞被映射成一個向量 ，完美詮釋了 Attention is All You Need的革命性思想。

後來的 BERT 、上麵向右移一位沒啥意義呀，

圖的左邊一側Input（輸入），防止模型從未來抄答案。

注意力頭的數量是一個超參（Hyperparameter） ，層數越多 、什麽自注意力機製啊、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，這樣模型才能表達更複雜的模式，核心是 “從左到右 ，整體代表Encoder；右邊一側Output（輸出），從更多視角掃描句子。但我們肯定還不能丟掉原始信息。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"

題目: <start> 我 愛

<start> 我 愛