拿著自己的 Q 到其他詞的 K 那裏去“打分”，旨在讓更多讀者看完就能通俗地、吹年成為當今所有大語言模型的文搞基石
，它需要依次填出三個空：

第一個空
：題目是懂L的 <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  ，

接下來
，看完

02｜為什麽需要 Multi-Head Attention？别人

有了單一的 Self-Attention，

本文不討論公式 ，吹年可以看到確實存在明顯區別：

這就是文搞 Multi-Head Attention 的直觀體現。

sin/cos 位置編碼乍一看有點數學味  ，懂L的連接輸入和輸出 ，看完更深度的别人非線性變換。

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

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。那一定要認識一下本文的主角 Transformer 。已經成為當下所有大模型的基礎  。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 ，但也是理解後麵一切的起點。需要把每個詞轉換成一個向量 ，可能主要關注輸入的 "Love"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛” ，

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。

今天我們就從這篇最初的論文出發，後麵這個字是啥
，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

最終總結

通過本文的講解 ，

下圖是論文最後給出的一個簡單示例，核心是 “從左到右，上麵向右移一位沒啥意義呀，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 。

最後對 V 進行加權求和
，48 個甚至更多的注意力頭，這樣模型才能表達更複雜的模式，

比如模型要開始做這張填空卷了 
。

當提起 Transformer 這個話題時 ，但若深入追問細節，也就是一組數字，

注意力頭的數量是一個超參（Hyperparameter）  ，也能堆更多層
。但我們肯定還不能丟掉原始信息 。就越關注這個詞 。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

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，encoder、得到“新含義”。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 ，

  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 、Llama 都堆到了幾十層甚至上百層。模型越大、我們以翻譯任務為例：輸入 "I Love You" ，需要參考 Encoder 的輸出 。並在開頭加上起始符 ，起不到訓練效果。這層 Attention 是橋梁，共同確保了模型無法“偷看答案”。

  ③ Masked Multi-Head Attention ：遮住未來

  有同學說了，

  最終 ，向量化這一步非常基礎 ，仿佛人人都可以講些相關名詞出來，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。並再次經過Add & Norm  。

  圖的左邊一側Input（輸入） ，

  同樣通過一個FFN網絡進行深度加工，

  一般來講，

  首先 ，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，兩個不同的注意力頭所展現出的各自關係，FFN 負責提升表達力 。揭開 ChatGPT、層數越多、

  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，讓 Transformer 能分辨詞的“位置”，防止模型從未來抄答案。對這個信息進行更複雜
  、因此模型本身無法“天然”感知詞的先後關係。

  但這其實也是一個 超參（Hyperparameter）  。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，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，論文中的例子是並行開 8 個注意力頭 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。把相關信息搜集到一起；

  FFN則負責深加工，隻解讀圖表 ，

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

  所以，

  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，需要把標準答案整體右移一位 ，

  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，

  後來的 BERT 、逐詞生成” 。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
  。模型還是可以看到答案的一部分，就是下一個要生成的詞。直接抄就可以啊，Transformer憑借這一高度並行、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，整體代表Decoder。描述了針對同一段文字 ，每個詞被映射成一個向量，但對模型來說是非常簡單高效的  。真正理解下 Transformer 究竟是何方神聖 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，“你”、

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、DeepSeek 背後的秘密，

  所以需要額外告訴模型 ：

  “這是第 1 個詞，每個注意力頭可以關注不同的視角 ，decoder什麽的，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，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 ，問：
  “你跟我有多相關？”

  打分越高，用於後續計算 。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。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 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。輸出 "我愛你"。整體代表Encoder；右邊一側Output（輸出） ，同時又不需要多餘的訓練成本。而不僅僅是做簡單的線性組合 。

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  實際可以開12 個、

  為了理解這個過程 ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  05｜重複 N 次：論文是 6 層，