生成 "愛" 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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。“貓”這些詞 ，
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，
這就是單一的 Self-Attention 。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，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
。但我們肯定還不能丟掉原始信息
。也就是一組數字 ，真正理解下 Transformer 究竟是何方神聖 。
③ Masked Multi-Head Attention ：遮住未來
有同學說了 ，兩個不同的注意力頭所展現出的各自關係 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），每個詞被映射成一個向量 ，但若深入追問細節 ，也能堆更多層
。
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 、旨在讓更多讀者看完就能通俗地 、
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 ，
06｜Decoder 如何像人一樣“輸出”內容？
Decoder是模型的“寫作器” ，向量化這一步非常基礎
，我們以翻譯任務為例：輸入 "I Love You"，下麵我們就來一步步通俗理解下這張架構圖的深層含義。對這個信息進行更複雜 、成為當今所有大語言模型的基石 ，但對模型來說是非常簡單高效的。
接下來
，隻解讀圖表，
05｜重複 N 次 ：論文是 6 層
，理解力越強。FFN 負責提升表達力 。
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 。描述了針對同一段文字 ，Llama 都堆到了幾十層甚至上百層。問
：
“你跟我有多相關 ？”
打分越高 ，這層 Attention 是橋梁 ，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 ，“你” 、這樣模型才能表達更複雜的模式
，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” ，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”
，
03｜殘差連接 + LayerNorm：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量，核心是 “從左到右，
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
，DeepSeek 背後的秘密 ，
最終總結
通過本文的講解
，並經過Add & Norm 。輸出 "我愛你"
。把相關信息搜集到一起；
FFN則負責深加工 ，
① Output Embedding：先把輸出詞變向量
理解方式和輸入一樣
，同時又不需要多餘的訓練成本
。
③ Q / K / V ：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。防止模型從未來抄答案。
所以需要額外告訴模型 ：
“這是第 1 個詞，讓 Transformer 能分辨詞的“位置” ，
當提起 Transformer 這個話題時，層數越多、
② Shifted Right ：防止模型“偷看答案”
在模型訓練階段 ，每個注意力頭可以關注不同的視角 ，Transformer憑借這一高度並行 、
又暈了
？其實通俗來講就是 ：Attention 負責找關係
，而是實實在在的矩陣乘法結果 。得到“新含義” 。而不僅僅是做簡單的線性組合 。完美詮釋了 Attention is All You Need的革命性思想 。
04｜Feed Forward 網絡（FFN）
：進一步加工語義
Attention層負責廣撒網
，
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 ，
最後對 V 進行加權求和 ，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
。
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
，
下圖是論文最後給出的一個簡單示例
，
讓每個詞清楚自己的“位置”
。仿佛人人都可以講些相關名詞出來
，直接抄就可以啊
，需要把每個詞轉換成一個向量 ，但也是理解後麵一切的起點
。成體係地給身邊其他人講清楚 Transformer 工作原理，再通過殘差連接與LayerNorm保障訓練的穩定性 ，就越關注這個詞
。後麵這個字是啥 ，
sin/cos 位置編碼乍一看有點數學味 ，
為了理解這個過程 ，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 ，
最終 ，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 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，揭開 ChatGPT 、
同樣通過一個FFN網絡進行深度加工，可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現 。用於後續計算 。
本文不討論公式 ，整體代表Encoder；右邊一側Output（輸出）
，
也就是說它和上麵的 Shifted Right協同工作 ，從而真正理解它究竟為什麽如此火爆
。共同確保了模型無法“偷看答案” 。需要把標準答案整體右移一位 ，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 ，並再次經過Add & Norm 。
今天我們就從這篇最初的論文出發 ，起不到訓練效果 。
02｜為什麽需要 Multi-Head Attention ？
有了單一的 Self-Attention ，encoder、
喜欢
讨厌