打分越高，

圖的看完左邊一側Input（輸入），

所以，别人理解力越強。吹年到Self-Attention與Multi-Head Attention實現多視角的文搞語義捕捉，

在Multi-Head Attention（即論文中的懂L的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，對這個信息進行更複雜 、看完

當提起 Transformer 這個話題時 ，别人已經成為當下所有大模型的吹年基礎。隻解讀圖表，

今天我們就從這篇最初的論文出發 ，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 。輸出 "我愛你"。每個注意力頭可以關注不同的視角，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，

實際可以開12 個 、共同確保了模型無法“偷看答案”
。

所以需要額外告訴模型：

“這是第 1 個詞 ，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，什麽自注意力機製啊、更抽象的特征表達 ，

這就是單一的 Self-Attention。也能堆更多層 。而不僅僅是做簡單的線性組合。Transformer憑借這一高度並行、

比如模型要開始做這張填空卷了。

其工作嚴格遵循架構圖右側流程，真正理解下 Transformer 究竟是何方神聖
。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，可能主要關注輸入的 "Love"

生成 "你" 時，讓 Transformer 能分辨詞的“位置”，向量化這一步非常基礎，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
 ，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、防止模型從未來抄答案 。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，把相關信息搜集到一起；

FFN則負責深加工，

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，從更多視角掃描句子。DeepSeek 背後的秘密，完美詮釋了 Attention is All You Need的革命性思想。

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、仿佛人人都可以講些相關名詞出來，

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
，連接輸入和輸出 ，揭開 ChatGPT、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” ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

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，因此模型本身無法“天然”感知詞的先後關係。

② Shifted Right
：防止模型“偷看答案”

在模型訓練階段
 ，但我們肯定還不能丟掉原始信息。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，

  05｜重複 N 次 ：論文是 6 層，

  但這其實也是一個 超參（Hyperparameter）  。成為當今所有大語言模型的基石，模型還是可以看到答案的一部分 ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，旨在讓更多讀者看完就能通俗地、每個詞被映射成一個向量，

  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
  。

  後來的 BERT
  、

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，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。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，我們以翻譯任務為例 ：輸入 "I Love You" 
  ，“你”、48 個甚至更多的注意力頭，

  為了理解這個過程 ，

  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，直接抄就可以啊，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention
  ，起不到訓練效果。

  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”，

  

  注意力頭的數量是一個超參（Hyperparameter），“貓”這些詞，但對模型來說是非常簡單高效的。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  接下來，並經過Add & Norm。

  也就是說它和上麵的 Shifted Right協同工作 ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），同時又不需要多餘的訓練成本 。得到“新含義”。兩個不同的注意力頭所展現出的各自關係 ，用於後續計算。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  又暈了？其實通俗來講就是 ：Attention 負責找關係，層數越多、需要把每個詞轉換成一個向量，

  一般來講，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 
  。就是下一個要生成的詞。這層 Attention 是橋梁，描述了針對同一段文字 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了，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，

  下圖是論文最後給出的一個簡單示例，那一定要認識一下本文的主角 Transformer 。可能主要關注輸入的 "I"

• 生成 "愛" 時，

  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，模型越大、整體代表Decoder 。而是實實在在的矩陣乘法結果。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。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 ，再通過殘差連接與LayerNorm保障訓練的穩定性，逐詞生成” 。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 ，也就是一組數字，這樣模型才能表達更複雜的模式，就越關注這個詞 。後麵這個字是啥 ，

  本文不討論公式，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。隻能接受數字 。核心是 “從左到右，需要把標準答案整體右移一位，

  04｜Feed Forward 網絡（FFN）  ：進一步加工語義

  Attention層負責廣撒網，Llama 都堆到了幾十層甚至上百層 。

  

  sin/cos 位置編碼乍一看有點數學味，上麵向右移一位沒啥意義呀，並再次經過Add & Norm 。並在開頭加上起始符  ，需要參考 Encoder 的輸出 。

  首先
  ，

  最後對 V 進行加權求和，從而真正理解它究竟為什麽如此火爆 。

  同樣通過一個FFN網絡進行深度加工，FFN 負責提升表達力。

  最終 ，更深度的非線性變換 。GPT 
  、論文中的例子是並行開 8 個注意力頭。成體係地給身邊其他人講清楚 Transformer 工作原理
  ，最後由FFN進行深度非線性變換以增強特征表達。整體代表Encoder；右邊一側Output（輸出），