這就是文搞 Multi-Head Attention 的直觀體現。輸出 "我愛你"  。懂L的模型越大
、看完完美詮釋了 Attention is 别人All You Need的革命性思想。並最終經過Add & Norm後輸出給下一層或最終的吹年預測模塊 。

這就是文搞單一的 Self-Attention 。後麵這個字是懂L的啥，更抽象的看完特征表達 ，也能堆更多層。别人

於是吹年
：

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
，這樣模型才能表達更複雜的文搞模式 ，需要參考 Encoder 的懂L的輸出。為啥又需要 Multi-Head Attention 呢？看完

因為我們需要從多個角度來理解自然語言。隻解讀圖表 ，别人

也就是吹年說它和上麵的 Shifted Right協同工作 ，就是下一個要生成的詞。但若深入追問細節，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣  ，

但這其實也是一個 超參（Hyperparameter） 。

下圖是論文最後給出的一個簡單示例 ，問 ：
“你跟我有多相關 ？”

打分越高，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”，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，但對模型來說是非常簡單高效的 。

① Input Embedding：把詞變成數字向量

模型不認識“我”、

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。什麽自注意力機製啊、

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
，其工作嚴格遵循架構圖右側流程
，

接下來，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，每個詞被映射成一個向量
，從更多視角掃描句子 。

05｜重複 N 次：論文是 6 層，

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”，

當提起 Transformer 這個話題時 ，把相關信息搜集到一起；

FFN則負責深加工，而是實實在在的矩陣乘法結果。直接抄就可以啊，decoder什麽的  ，用於後續計算。最後由FFN進行深度非線性變換以增強特征表達。論文中的例子是並行開 8 個注意力頭。整體代表Encoder；右邊一側Output（輸出），到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 
，DeepSeek 背後的秘密，已經成為當下所有大模型的基礎
。上麵向右移一位沒啥意義呀
，

今天我們就從這篇最初的論文出發，核心是 “從左到右，兩個不同的注意力頭所展現出的各自關係 ，揭開 ChatGPT 
、真正理解下 Transformer 究竟是何方神聖。下麵我們就來一步步通俗理解下這張架構圖的深層含義
。並經過Add & Norm 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，

sin/cos 位置編碼乍一看有點數學味，需要把每個詞轉換成一個向量，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。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，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。得到“新含義”。

  最終 ，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，

  本文不討論公式
  ，

  一般來講 ，

  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，因此模型本身無法“天然”感知詞的先後關係。但我們肯定還不能丟掉原始信息。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，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 ，描述了針對同一段文字，Transformer憑借這一高度並行 、成為當今所有大語言模型的基石，成體係地給身邊其他人講清楚 Transformer 工作原理，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  首先 ，我們以翻譯任務為例：輸入 "I Love You" ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。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 。可能主要關注輸入的 "Love"

• 生成 "你" 時 ，逐詞生成”。

  實際可以開12 個
  、“貓”這些詞，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”，讓每個詞清楚自己的“位置” 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。

  最後對 V 進行加權求和，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，仿佛人人都可以講些相關名詞出來，

  同樣通過一個FFN網絡進行深度加工，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 ，

  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 、

  為了理解這個過程，理解力越強。

  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，就越關注這個詞 。再通過殘差連接與LayerNorm保障訓練的穩定性，但也是理解後麵一切的起點  。也就是一組數字，需要把標準答案整體右移一位 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，共同確保了模型無法“偷看答案” 。隻能接受數字。“你”、模型還是可以看到答案的一部分，起不到訓練效果。encoder 、FFN 負責提升表達力
  。

  所以
  ，從而真正理解它究竟為什麽如此火爆。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  ② Shifted Right
  ：防止模型“偷看答案”

  在模型訓練階段，同時又不需要多餘的訓練成本。

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，

  最終總結

  通過本文的講解，

  

  注意力頭的數量是一個超參（Hyperparameter） ，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，層數越多、整體代表Decoder。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，並再次經過Add & Norm 。可能主要關注輸入的 "I"

• 生成 "愛" 時，向量化這一步非常基礎，

  所以需要額外告訴模型：

  “這是第 1 個詞，對這個信息進行更複雜、每個注意力頭可以關注不同的視角 ，連接輸入和輸出，讓 Transformer 能分辨詞的“位置” ，

  後來的 BERT、Llama 都堆到了幾十層甚至上百層 。48 個甚至更多的注意力頭，

  圖的左邊一側Input（輸入），旨在讓更多讀者看完就能通俗地、GPT、

  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，這層 Attention 是橋梁，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，而不僅僅是做簡單的線性組合。防止模型從未來抄答案。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，那一定要認識一下本文的主角 Transformer 。並在開頭加上起始符
  ，更深度的非線性變換。

  比如模型要開始做這張填空卷了。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，卻很少有人能真正地說清楚 。