後來的懂L的 BERT、

所以需要額外告訴模型  ：

“這是看完第 1 個詞，向量化這一步非常基礎 ，别人

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

首先，文搞

02｜為什麽需要 Multi-Head Attention ？懂L的

有了單一的 Self-Attention，那一定要認識一下本文的看完主角 Transformer
。

又暈了 ？别人其實通俗來講就是：Attention 負責找關係，每個詞被映射成一個向量，吹年這層 Attention 是文搞橋梁 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、懂L的已經成為當下所有大模型的看完基礎。

它像給每個位置貼上一段獨一無二的别人“節奏標簽”，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” ，連接輸入和輸出 ，從更多視角掃描句子。

一般來講
，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。但我們肯定還不能丟掉原始信息。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，完美詮釋了 Attention is All You Need的革命性思想。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，“你” 
、

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

05｜重複 N 次 ：論文是 6 層 ，而是實實在在的矩陣乘法結果。

所以 ，隻能接受數字。讓每個詞清楚自己的“位置”。核心是 “從左到右，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，

圖的左邊一側Input（輸入），FFN 負責提升表達力。仿佛人人都可以講些相關名詞出來 ，decoder什麽的  ，encoder、

最終總結

通過本文的講解 ，

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，需要把每個詞轉換成一個向量，更深度的非線性變換 。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。理解力越強。共同確保了模型無法“偷看答案”。描述了針對同一段文字
，把相關信息搜集到一起；

FFN則負責深加工 ，

為了理解這個過程  ，

同樣通過一個FFN網絡進行深度加工，卻很少有人能真正地說清楚。什麽自注意力機製啊、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。論文中的例子是並行開 8 個注意力頭。GPT、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，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
 。防止模型從未來抄答案 。對這個信息進行更複雜、

下圖是論文最後給出的一個簡單示例，

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，其工作嚴格遵循架構圖右側流程
，

最終 ，最後由FFN進行深度非線性變換以增強特征表達。

今天我們就從這篇最初的論文出發 ，同時又不需要多餘的訓練成本 。

但這其實也是一個 超參（Hyperparameter） 。

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 ，

也就是說它和上麵的 Shifted Right協同工作，

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

03｜殘差連接 + LayerNorm 
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

實際可以開12 個 、例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀
，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 ，DeepSeek 背後的秘密，也能堆更多層。

接下來
，需要參考 Encoder 的輸出。

sin/cos 位置編碼乍一看有點數學味，旨在讓更多讀者看完就能通俗地 、真正理解下 Transformer 究竟是何方神聖。讓 Transformer 能分辨詞的“位置” ，並在開頭加上起始符 ，隻解讀圖表，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 ，更抽象的特征表達  ，

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，並再次經過Add & Norm 。需要把標準答案整體右移一位，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。兩個不同的注意力頭所展現出的各自關係
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
 ，問 
：
“你跟我有多相關
？”

打分越高，

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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。輸出 "我愛你"。但對模型來說是非常簡單高效的。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，

注意力頭的數量是一個超參（Hyperparameter），成為當今所有大語言模型的基石，用於後續計算
。可能主要關注輸入的 "I"

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 ______