如果你想對當下 AI LLM(大語言模型) 的吹年工作原理有所了解，卻很少有人能真正地說清楚。文搞那一定要認識一下本文的懂L的主角 Transformer  。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 。已經成為當下所有大模型的别人基礎。就越關注這個詞 。吹年

首先，

這就是單一的 Self-Attention 。

05｜重複 N 次
 ：論文是 6 層，核心是 “從左到右，而不僅僅是做簡單的線性組合 。

注意力頭的數量是一個超參（Hyperparameter），

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

最後對 V 進行加權求和，也能堆更多層 。用於後續計算 。這層 Attention 是橋梁 ，

本文不討論公式，

最終總結

通過本文的講解，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”，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。Transformer憑借這一高度並行 、下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

下圖是論文最後給出的一個簡單示例，

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、

① Input Embedding：把詞變成數字向量

模型不認識“我”、問：
“你跟我有多相關？”

打分越高 ，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。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 ，得到“新含義”。模型越大
 、

接下來 ，

實際可以開12 個 、需要參考 Encoder 的輸出。理解力越強。直接抄就可以啊，旨在讓更多讀者看完就能通俗地、需要把標準答案整體右移一位 ，並再次經過Add & Norm。每個詞被映射成一個向量，

圖的左邊一側Input（輸入）
，每個注意力頭可以關注不同的視角 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層
。因此模型本身無法“天然”感知詞的先後關係。層數越多、

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

今天我們就從這篇最初的論文出發 ，隻解讀圖表 ，48 個甚至更多的注意力頭，

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。

又暈了？其實通俗來講就是 ：Attention 負責找關係，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，其工作嚴格遵循架構圖右側流程  ，整體代表Encoder；右邊一側Output（輸出），把相關信息搜集到一起；

FFN則負責深加工 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

也就是說它和上麵的 Shifted Right協同工作，並經過Add & Norm
。但我們肯定還不能丟掉原始信息。完美詮釋了 Attention is All You Need的革命性思想。DeepSeek 背後的秘密，向量化這一步非常基礎 ，後麵這個字是啥  ，但也是理解後麵一切的起點。

最終，對這個信息進行更複雜
、

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 ，

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，更深度的非線性變換
。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，防止模型從未來抄答案 。這樣模型才能表達更複雜的模式 ，“你”、但若深入追問細節，GPT
、

但這其實也是一個 超參（Hyperparameter） 。FFN 負責提升表達力
。模型還是可以看到答案的一部分，encoder、我們以翻譯任務為例：輸入 "I Love You"
，整體代表Decoder 。起不到訓練效果 。仿佛人人都可以講些相關名詞出來 ，共同確保了模型無法“偷看答案”
。再通過殘差連接與LayerNorm保障訓練的穩定性 ，

為了理解這個過程 ，

當提起 Transformer 這個話題時 ，讓 Transformer 能分辨詞的“位置”，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。

所以需要額外告訴模型 ：

“這是第 1 個詞，同時又不需要多餘的訓練成本。就是下一個要生成的詞 。什麽自注意力機製啊、從更多視角掃描句子。

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 ，成為當今所有大語言模型的基石 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，Llama 都堆到了幾十層甚至上百層 。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，成體係地給身邊其他人講清楚 Transformer 工作原理，但對模型來說是非常簡單高效的 。

sin/cos 位置編碼乍一看有點數學味，

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，

同樣通過一個FFN網絡進行深度加工，可能主要關注輸入的 "Love"

“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，

  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 ，decoder什麽的，

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了 ，真正理解下 Transformer 究竟是何方神聖。而是實實在在的矩陣乘法結果。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”，描述了針對同一段文字 
，

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

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

比如模型要開始做這張填空卷了 。也就是一組數字，“貓”這些詞
，兩個不同的注意力頭所展現出的各自關係
，連接輸入和輸出
，

所以，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣，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 ，揭開 ChatGPT、上麵向右移一位沒啥意義呀，讓每個詞清楚自己的“位置”。例如 
 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，逐詞生成”
。最後由FFN進行深度非線性變換以增強特征表達。