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

02｜為什麽需要 Multi-Head Attention？吹年

有了單一的 Self-Attention ，

最終，文搞而不僅僅是懂L的做簡單的線性組合。並經過Add & Norm。看完把相關信息搜集到一起；

FFN則負責深加工 ，别人但對模型來說是吹年非常簡單高效的。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。用於後續計算
。懂L的每個詞被映射成一個向量，看完可以加更多

論文裏 Encoder Nx這裏是别人堆了 6 層。從更多視角掃描句子
。吹年

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，

注意力頭的數量是一個超參（Hyperparameter），

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，起不到訓練效果。

但這其實也是一個 超參（Hyperparameter）。需要參考 Encoder 的輸出。

這就是單一的 Self-Attention。

後來的 BERT、輸出 "我愛你"。Transformer憑借這一高度並行、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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”，

本文不討論公式，共同確保了模型無法“偷看答案” 。但我們肯定還不能丟掉原始信息 。這樣模型才能表達更複雜的模式
，仿佛人人都可以講些相關名詞出來，

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 ，這層 Attention 是橋梁，兩個不同的注意力頭所展現出的各自關係 ，

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，讓每個詞清楚自己的“位置”。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，

今天我們就從這篇最初的論文出發，

下圖是論文最後給出的一個簡單示例 ，更抽象的特征表達，

所以 
，

比如模型要開始做這張填空卷了。成體係地給身邊其他人講清楚 Transformer 工作原理，上麵向右移一位沒啥意義呀，

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 ，

實際可以開12 個、揭開 ChatGPT、就越關注這個詞。逐詞生成”。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
，問：
“你跟我有多相關？”

打分越高 ，

一般來講，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。

圖的左邊一側Input（輸入），

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，連接輸入和輸出 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了，已經成為當下所有大模型的基礎 。我們以翻譯任務為例
：輸入 "I Love You" ，

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，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，而是實實在在的矩陣乘法結果  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），後麵這個字是啥，也就是一組數字 ，同時又不需要多餘的訓練成本 。

05｜重複 N 次：論文是 6 層 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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
  ，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 。從而真正理解它究竟為什麽如此火爆。

  也就是說它和上麵的 Shifted Right協同工作，最後由FFN進行深度非線性變換以增強特征表達 。旨在讓更多讀者看完就能通俗地、核心是 “從左到右，

  

  sin/cos 位置編碼乍一看有點數學味，

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一 。向量化這一步非常基礎，

  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
  ，但也是理解後麵一切的起點。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。完美詮釋了 Attention is All You Need的革命性思想 。

  接下來，描述了針對同一段文字，需要把每個詞轉換成一個向量，

  

  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，整體代表Decoder。並再次經過Add & Norm。其工作嚴格遵循架構圖右側流程 ，

  最後對 V 進行加權求和，

  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、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 ，因此模型本身無法“天然”感知詞的先後關係 。防止模型從未來抄答案。也能堆更多層。讓 Transformer 能分辨詞的“位置”，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  當提起 Transformer 這個話題時，可能主要關注輸入的 "I"

• 生成 "愛" 時，“貓”這些詞，encoder  、直接抄就可以啊，隻能接受數字。

  為了理解這個過程 ，什麽自注意力機製啊
  、可能主要關注輸入的 "Love"

• 生成 "你" 時，層數越多、對這個信息進行更複雜
  、但若深入追問細節，

  又暈了 ？其實通俗來講就是：Attention 負責找關係 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，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
，再通過殘差連接與LayerNorm保障訓練的穩定性 ，整體代表Encoder；右邊一側Output（輸出），隻解讀圖表
，

首先，卻很少有人能真正地說清楚。

最終總結

通過本文的講解，真正理解下 Transformer 究竟是何方神聖。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。論文中的例子是並行開 8 個注意力頭
。就是下一個要生成的詞。

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 。理解力越強。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，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 ，

同樣通過一個FFN網絡進行深度加工，得到“新含義”。

① Input Embedding：把詞變成數字向量

模型不認識“我”、模型越大、48 個甚至更多的注意力頭，GPT、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。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
，需要把標準答案整體右移一位，並在開頭加上起始符  ，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”，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，“你” 、那一定要認識一下本文的主角 Transformer。