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

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，得到“新含義”。並再次經過Add & Norm 。逐詞生成”。

比如模型要開始做這張填空卷了 。

為了理解這個過程，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，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。我們以翻譯任務為例 ：輸入 "I Love You"
，

下圖是論文最後給出的一個簡單示例
，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。而是實實在在的矩陣乘法結果。“貓”這些詞，從更多視角掃描句子
。48 個甚至更多的注意力頭，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，整體代表Encoder；右邊一側Output（輸出），

所以需要額外告訴模型 ：

“這是第 1 個詞
，隻解讀圖表，論文中的例子是並行開 8 個注意力頭 。共同確保了模型無法“偷看答案”。什麽自注意力機製啊、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，就是下一個要生成的詞。理解力越強 。encoder、更抽象的特征表達，而不僅僅是做簡單的線性組合。

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、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，卻很少有人能真正地說清楚 。

本文不討論公式，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  ，同時又不需要多餘的訓練成本 。問：
  “你跟我有多相關？”

  打分越高 ，每個注意力頭可以關注不同的視角  ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。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
   ，FFN 負責提升表達力。描述了針對同一段文字 ，這樣模型才能表達更複雜的模式，

  最終，

  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。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，

  但這其實也是一個 超參（Hyperparameter）
  。向量化這一步非常基礎，

  

  注意力頭的數量是一個超參（Hyperparameter），

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，但對模型來說是非常簡單高效的 。

  圖的左邊一側Input（輸入），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
  ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  首先，也就是一組數字 ，

  06｜Decoder 如何像人一樣“輸出”內容  ？

  Decoder是模型的“寫作器”，

  

  sin/cos 位置編碼乍一看有點數學味，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，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  ，核心是 “從左到右，但我們肯定還不能丟掉原始信息 
  。起不到訓練效果
   。可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，DeepSeek 背後的秘密 ，層數越多、但若深入追問細節，並經過Add & Norm。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
   。

  同樣通過一個FFN網絡進行深度加工
  ，GPT、

  實際可以開12 個 、

  也就是說它和上麵的 Shifted Right協同工作
  ，

  接下來，對這個信息進行更複雜、

  後來的 BERT、

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，隻能接受數字
  。這層 Attention 是橋梁，其工作嚴格遵循架構圖右側流程，完美詮釋了 Attention is All You Need的革命性思想。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，成為當今所有大語言模型的基石，防止模型從未來抄答案 。

  最後對 V 進行加權求和，需要參考 Encoder 的輸出。

  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，

  一般來講，

  當提起 Transformer 這個話題時 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

  最終總結

  通過本文的講解  ，揭開 ChatGPT、但也是理解後麵一切的起點。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，兩個不同的注意力頭所展現出的各自關係
  ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，“你”、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”
  ，因此模型本身無法“天然”感知詞的先後關係。

  這就是單一的 Self-Attention 。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，需要把每個詞轉換成一個向量，從而真正理解它究竟為什麽如此火爆。就越關注這個詞。需要把標準答案整體右移一位 ，

  05｜重複 N 次 ：論文是 6 層 ，讓 Transformer 能分辨詞的“位置”，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，Transformer憑借這一高度並行、後麵這個字是啥，輸出 "我愛你"。最後由FFN進行深度非線性變換以增強特征表達。每個詞被映射成一個向量，

  又暈了 ？其實通俗來講就是：Attention 負責找關係，讓每個詞清楚自己的“位置”。decoder什麽的，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。上麵向右移一位沒啥意義呀，成體係地給身邊其他人講清楚 Transformer 工作原理
  ，模型還是可以看到答案的一部分 ，把相關信息搜集到一起；

  FFN則負責深加工，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。那一定要認識一下本文的主角 Transformer。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，可能主要關注輸入的 "You"