你
：71%
他 ：16%
它
：11%
其它 ：2%

選概率最高的 ，兩個不同的懂L的注意力頭所展現出的各自關係，

02｜為什麽需要 Multi-Head Attention？看完

有了單一的 Self-Attention，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是别人“加工”了一遍詞向量，

我 → [0.12,文搞 -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，就是懂L的下一個要生成的詞。

最終，看完問 ：
“你跟我有多相關 ？别人”

打分越高，可能主要關注輸入的吹年 "You"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”，

所以需要額外告訴模型 ：

“這是文搞第 1 個詞，模型越大
、懂L的

比如模型要開始做這張填空卷了 。看完讓 Decoder 可以“請教 Encoder”：

“你生成的别人詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"：

• 生成 "我" 時，並再次經過Add & Norm。吹年FFN 負責提升表達力。最後由FFN進行深度非線性變換以增強特征表達。“你” 、描述了針對同一段文字，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  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 、已經成為當下所有大模型的基礎。

  所以  ，

  首先 ，

  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，但我們肯定還不能丟掉原始信息 。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
  ，起不到訓練效果 。整體代表Decoder。

  為了理解這個過程 ，

  最後對 V 進行加權求和，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，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，直接抄就可以啊，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” ，成體係地給身邊其他人講清楚 Transformer 工作原理 ，需要參考 Encoder 的輸出。但也是理解後麵一切的起點。

  下圖是論文最後給出的一個簡單示例，

  但這其實也是一個 超參（Hyperparameter） 。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。從更多視角掃描句子。GPT、

  一般來講 ，層數越多 、其工作嚴格遵循架構圖右側流程 ，可能主要關注輸入的 "Love"

• 生成 "你" 時，

  後來的 BERT 、

  

  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，那一定要認識一下本文的主角 Transformer。

  最終總結

  通過本文的講解 ，

  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 。

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，得到“新含義”。理解力越強 。每個詞被映射成一個向量，

  同樣通過一個FFN網絡進行深度加工，Transformer憑借這一高度並行、需要把標準答案整體右移一位 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  實際可以開12 個、Llama 都堆到了幾十層甚至上百層 。完美詮釋了 Attention is All You Need的革命性思想。卻很少有人能真正地說清楚 。

  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 ，

  這就是單一的 Self-Attention 。

  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，什麽自注意力機製啊、

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，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，並經過Add & Norm 。

  

  sin/cos 位置編碼乍一看有點數學味 ，但對模型來說是非常簡單高效的。

  接下來，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，並在開頭加上起始符  ，

  圖的左邊一側Input（輸入） ，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。

  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，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，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
，

也就是說它和上麵的 Shifted Right協同工作，因此模型本身無法“天然”感知詞的先後關係。成為當今所有大語言模型的基石，decoder什麽的 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。逐詞生成” 。也能堆更多層 。整體代表Encoder；右邊一側Output（輸出），

今天我們就從這篇最初的論文出發 ，這層 Attention 是橋梁 ，48 個甚至更多的注意力頭 ，從而真正理解它究竟為什麽如此火爆。輸出 "我愛你"。真正理解下 Transformer 究竟是何方神聖。

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，需要把每個詞轉換成一個向量 ，每個注意力頭可以關注不同的視角
，旨在讓更多讀者看完就能通俗地 、隻能接受數字
。encoder 、更抽象的特征表達，模型還是可以看到答案的一部分，

又暈了？其實通俗來講就是：Attention 負責找關係  ，就越關注這個詞。

05｜重複 N 次
：論文是 6 層 ，

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，向量化這一步非常基礎
，也就是一組數字，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

本文不討論公式 ，更深度的非線性變換。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段
，後麵這個字是啥，而是實實在在的矩陣乘法結果 。

當提起 Transformer 這個話題時 ，我們以翻譯任務為例：輸入 "I Love You"，用於後續計算
 。

① Input Embedding：把詞變成數字向量

模型不認識“我”、下麵我們就來一步步通俗理解下這張架構圖的深層含義  。核心是 “從左到右 ，但若深入追問細節，仿佛人人都可以講些相關名詞出來，而不僅僅是做簡單的線性組合。對這個信息進行更複雜、同時又不需要多餘的訓練成本。論文中的例子是並行開 8 個注意力頭
。讓每個詞清楚自己的“位置”。連接輸入和輸出，可能主要關注輸入的 "I"