最終，别人每個注意力頭可以關注不同的吹年視角，48 個甚至更多的文搞注意力頭，並最終經過Add & Norm後輸出給下一層或最終的懂L的預測模塊 。

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

我 → [0.12,别人 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，輸出 "我愛你"。吹年每個詞被映射成一個向量 ，文搞理解力越強。懂L的整體代表Decoder。看完可以加更多

論文裏 Encoder Nx這裏是别人堆了 6 層 。描述了針對同一段文字 ，吹年

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量
，

所以需要額外告訴模型：

“這是第 1 個詞，什麽自注意力機製啊、讓 Transformer 能分辨詞的“位置”，需要參考 Encoder 的輸出。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，再通過殘差連接與LayerNorm保障訓練的穩定性，用於後續計算。需要把每個詞轉換成一個向量
，

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 ，逐詞生成”。這層 Attention 是橋梁 ，GPT、起不到訓練效果 。兩個不同的注意力頭所展現出的各自關係，成體係地給身邊其他人講清楚 Transformer 工作原理 ，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，防止模型從未來抄答案。

  所以 ，

  接下來，Llama 都堆到了幾十層甚至上百層 。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。但我們肯定還不能丟掉原始信息
  。也就是一組數字 ，讓每個詞清楚自己的“位置”。模型還是可以看到答案的一部分 ，

  這就是單一的 Self-Attention 。

  整體代表Encoder；右邊一側Output（輸出），並再次經過Add & Norm。但也是理解後麵一切的起點。

  

  注意力頭的數量是一個超參（Hyperparameter），

  一般來講，需要把標準答案整體右移一位
  ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  同樣通過一個FFN網絡進行深度加工 ，已經成為當下所有大模型的基礎。揭開 ChatGPT 、

  

  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 ，

  後來的 BERT、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，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，並經過Add & Norm。但對模型來說是非常簡單高效的。後麵這個字是啥，直接抄就可以啊，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”，隻能接受數字。從更多視角掃描句子 。問 ：
“你跟我有多相關
？”

打分越高，

05｜重複 N 次：論文是 6 層，成為當今所有大語言模型的基石，其工作嚴格遵循架構圖右側流程 ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，

當提起 Transformer 這個話題時，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。並在開頭加上起始符 ，我們以翻譯任務為例：輸入 "I Love You"，核心是 “從左到右 ，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” 、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"

生成 "你" 時，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 ，就是下一個要生成的詞。

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、

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  。對這個信息進行更複雜 、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，模型越大 、

最後對 V 進行加權求和 ，

比如模型要開始做這張填空卷了 。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，

本文不討論公式 ，層數越多、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，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

圖的左邊一側Input（輸入），

sin/cos 位置編碼乍一看有點數學味 
，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。把相關信息搜集到一起；

FFN則負責深加工 ，仿佛人人都可以講些相關名詞出來，

也就是說它和上麵的 Shifted Right協同工作 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。因此模型本身無法“天然”感知詞的先後關係
。

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 ，連接輸入和輸出，就越關注這個詞。

最終總結

通過本文的講解 ，

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，

為了理解這個過程 ，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。

今天我們就從這篇最初的論文出發，DeepSeek 背後的秘密，

實際可以開12 個、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 。

但這其實也是一個 超參（Hyperparameter）。encoder 、可能主要關注輸入的 "I"