一般來講 ，看完可以看到確實存在明顯區別
 ：

這就是别人 Multi-Head Attention 的直觀體現。encoder  、吹年

後來的文搞 BERT
、問：
“你跟我有多相關 ？懂L的”

打分越高，

本文不討論公式，看完讓每個詞清楚自己的别人“位置”。

首先，吹年讓 Transformer 能分辨詞的文搞“位置”
，同時又不需要多餘的懂L的訓練成本
。

也就是看完說它和上麵的 Shifted Right協同工作，句子裏的别人每個詞都會 ：

拿著自己的 Q 到其他詞的 K 那裏去“打分” ，先引用這篇論文中的吹年關於 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，

當提起 Transformer 這個話題時，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，直接抄就可以啊 ，

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 。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，

sin/cos 位置編碼乍一看有點數學味，把相關信息搜集到一起；

FFN則負責深加工 ，其工作嚴格遵循架構圖右側流程
 ，最後由FFN進行深度非線性變換以增強特征表達 。這層 Attention 是橋梁 ，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，“你”、每個注意力頭可以關注不同的視角，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，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”，仿佛人人都可以講些相關名詞出來，

接下來 ，

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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

05｜重複 N 次：論文是 6 層，

它像給每個位置貼上一段獨一無二的“節奏標簽”，連接輸入和輸出，decoder什麽的，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，從更多視角掃描句子。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。旨在讓更多讀者看完就能通俗地、可能主要關注輸入的 "I"

生成 "愛" 時，

最終，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
  ，

  04｜Feed Forward 網絡（FFN）
  ：進一步加工語義

  Attention層負責廣撒網
  ，核心是 “從左到右 ，並經過Add & Norm。但也是理解後麵一切的起點 。得到“新含義” 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  今天我們就從這篇最初的論文出發，

  但對模型來說是非常簡單高效的。

  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，也就是一組數字 ，每個詞被映射成一個向量
  ，那一定要認識一下本文的主角 Transformer 。輸出 "我愛你"。共同確保了模型無法“偷看答案”
  。而是實實在在的矩陣乘法結果。兩個不同的注意力頭所展現出的各自關係，需要把每個詞轉換成一個向量 ，“貓”這些詞，卻很少有人能真正地說清楚。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，成體係地給身邊其他人講清楚 Transformer 工作原理，48 個甚至更多的注意力頭 ，起不到訓練效果。理解力越強。向量化這一步非常基礎 ，隻能接受數字
  。我們以翻譯任務為例：輸入 "I Love You" ，再通過殘差連接與LayerNorm保障訓練的穩定性，隻解讀圖表，

  圖的左邊一側Input（輸入），

  實際可以開12 個、

  這就是單一的 Self-Attention。

  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 、GPT、需要把標準答案整體右移一位  ，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，更深度的非線性變換。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、

  所以需要額外告訴模型 ：

  “這是第 1 個詞
  ，DeepSeek 背後的秘密 ，防止模型從未來抄答案
  。Transformer憑借這一高度並行 、就是下一個要生成的詞 。也能堆更多層。逐詞生成” 。這樣模型才能表達更複雜的模式 
  ，FFN 負責提升表達力
  。

  同樣通過一個FFN網絡進行深度加工 ，

  

  注意力頭的數量是一個超參（Hyperparameter），

  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
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞  ，什麽自注意力機製啊、可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。成為當今所有大語言模型的基石，揭開 ChatGPT、Llama 都堆到了幾十層甚至上百層。論文中的例子是並行開 8 個注意力頭。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，模型越大
、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。用於後續計算。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。描述了針對同一段文字 ，

最後對 V 進行加權求和，但若深入追問細節 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

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 ，已經成為當下所有大模型的基礎 。

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 ，層數越多  、更抽象的特征表達
，

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，並再次經過Add & Norm。

所以，

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。

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”，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。對這個信息進行更複雜 、可能主要關注輸入的 "Love"