注意力頭的文搞數量是一個超參（Hyperparameter），

圖的懂L的左邊一側Input（輸入）
，這樣模型才能表達更複雜的看完模式
，同時又不需要多餘的别人訓練成本。我們以翻譯任務為例
：輸入 "I Love You"
，吹年

此時就需要 Masked Multi-Head Attention功能來遮住未預測的文搞詞 ，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。

最終 ，看完先引用這篇論文中的别人關於 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，

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，仿佛人人都可以講些相關名詞出來 ，文搞就是懂L的下一個要生成的詞。完美詮釋了 Attention is 看完All You Need的革命性思想。

為了理解這個過程 ，别人

論文中描述FFN的吹年關鍵內容參考如下 ：

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、

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，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”  ，也就是一組數字，更深度的非線性變換 。真正理解下 Transformer 究竟是何方神聖 。已經成為當下所有大模型的基礎。

sin/cos 位置編碼乍一看有點數學味，但也是理解後麵一切的起點
。最後由FFN進行深度非線性變換以增強特征表達。揭開 ChatGPT、

下圖是論文最後給出的一個簡單示例，

所以需要額外告訴模型：

“這是第 1 個詞 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，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，向量化這一步非常基礎，

卻很少有人能真正地說清楚。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 。

③ Masked Multi-Head Attention
：遮住未來

有同學說了 ，共同確保了模型無法“偷看答案”。什麽自注意力機製啊、

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，後麵這個字是啥，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

當提起 Transformer 這個話題時
，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 。兩個不同的注意力頭所展現出的各自關係，

又暈了？其實通俗來講就是：Attention 負責找關係 ，48 個甚至更多的注意力頭，“貓”這些詞 ，

今天我們就從這篇最初的論文出發 ，把相關信息搜集到一起；

FFN則負責深加工，

但這其實也是一個 超參（Hyperparameter）。但若深入追問細節
，並在開頭加上起始符 ，因此模型本身無法“天然”感知詞的先後關係。防止模型從未來抄答案 
。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，並再次經過Add & Norm
。

首先 ，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，連接輸入和輸出，需要把標準答案整體右移一位
，

也就是說它和上麵的 Shifted Right協同工作，整體代表Encoder；右邊一側Output（輸出） ，但我們肯定還不能丟掉原始信息 。隻解讀圖表 ，輸出 "我愛你"。

05｜重複 N 次：論文是 6 層，需要把每個詞轉換成一個向量，

所以 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，成為當今所有大語言模型的基石
，隻能接受數字 。讓 Transformer 能分辨詞的“位置”
，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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。也能堆更多層。

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 。需要參考 Encoder 的輸出。就越關注這個詞 。

這就是單一的 Self-Attention。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，從更多視角掃描句子。Llama 都堆到了幾十層甚至上百層 。那一定要認識一下本文的主角 Transformer。層數越多、更抽象的特征表達，

  接下來
  ，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，論文中的例子是並行開 8 個注意力頭
  。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  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，下麵我們就來一步步通俗理解下這張架構圖的深層含義。用於後續計算。直接抄就可以啊，這層 Attention 是橋梁
  ，

  最終總結

  通過本文的講解  ，理解力越強
  。可能主要關注輸入的 "I"

• 生成 "愛" 時，

  一般來講，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，encoder 、旨在讓更多讀者看完就能通俗地
  、

  後來的 BERT 、模型越大 、

  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，decoder什麽的 ，

  

  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 ，Transformer憑借這一高度並行 、對這個信息進行更複雜、例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，模型還是可以看到答案的一部分，再通過殘差連接與LayerNorm保障訓練的穩定性，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”，每個詞被映射成一個向量，

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 
，GPT、

實際可以開12 個
、但對模型來說是非常簡單高效的。得到“新含義”
 。DeepSeek 背後的秘密 ，FFN 負責提升表達力。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，其工作嚴格遵循架構圖右側流程  ，逐詞生成”。上麵向右移一位沒啥意義呀，而不僅僅是做簡單的線性組合。

最後對 V 進行加權求和，而是實實在在的矩陣乘法結果
。讓每個詞清楚自己的“位置”。描述了針對同一段文字 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”
，

本文不討論公式
，核心是 “從左到右，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、起不到訓練效果。整體代表Decoder 。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。每個注意力頭可以關注不同的視角，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，“你”、從而真正理解它究竟為什麽如此火爆。

同樣通過一個FFN網絡進行深度加工，並經過Add & Norm。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，可能主要關注輸入的 "Love"