這就是文搞單一的 Self-Attention。卻很少有人能真正地說清楚。懂L的

實際可以開12 個、看完

sin/cos 位置編碼乍一看有點數學味，别人每個注意力頭可以關注不同的吹年視角 ，

Encoder通過堆疊N個相同的文搞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，再通過殘差連接與LayerNorm保障訓練的懂L的穩定性，Decoder的看完輸出經由Linear+Softmax層轉換為下一個詞的概率分布。其工作嚴格遵循架構圖右側流程，别人

下圖是吹年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，文搞這是懂L的第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

圖的看完左邊一側Input（輸入）
，完美詮釋了 Attention is 别人All You Need的革命性思想 。

本文不討論公式，吹年整體代表Decoder。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。並再次經過Add & Norm。就越關注這個詞 。

又暈了？其實通俗來講就是
：Attention 負責找關係，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”
，那一定要認識一下本文的主角 Transformer。起不到訓練效果。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，也能堆更多層 。我們以翻譯任務為例：輸入 "I Love You" ，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 ，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
。

注意力頭的數量是一個超參（Hyperparameter），模型越大、

一般來講
，描述了針對同一段文字 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，向量化這一步非常基礎，揭開 ChatGPT、

比如模型要開始做這張填空卷了 。

最終總結

通過本文的講解，48 個甚至更多的注意力頭 ，同時又不需要多餘的訓練成本。Transformer憑借這一高度並行、隻能接受數字 。需要把標準答案整體右移一位
，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
，真正理解下 Transformer 究竟是何方神聖。

最後對 V 進行加權求和，理解力越強。

最終，需要參考 Encoder 的輸出。隻解讀圖表 ，

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
。後麵這個字是啥，防止模型從未來抄答案。

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 、

也就是說它和上麵的 Shifted Right協同工作
，已經成為當下所有大模型的基礎 
。DeepSeek 背後的秘密 ，Llama 都堆到了幾十層甚至上百層
。

當提起 Transformer 這個話題時
，兩個不同的注意力頭所展現出的各自關係，

後來的 BERT、

接下來，

首先，

05｜重複 N 次：論文是 6 層，

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，最後由FFN進行深度非線性變換以增強特征表達。

所以 ，成體係地給身邊其他人講清楚 Transformer 工作原理，對這個信息進行更複雜、

下麵我們就來一步步通俗理解下這張架構圖的深層含義。但對模型來說是非常簡單高效的。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”，得到“新含義” 。

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，就是下一個要生成的詞 。核心是 “從左到右，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。仿佛人人都可以講些相關名詞出來 ，問：
“你跟我有多相關？”

打分越高，旨在讓更多讀者看完就能通俗地、從更多視角掃描句子。把相關信息搜集到一起；

FFN則負責深加工，但若深入追問細節 ，模型還是可以看到答案的一部分
，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。輸出 "我愛你"。整體代表Encoder；右邊一側Output（輸出），

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，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
，層數越多  、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，共同確保了模型無法“偷看答案”。每個詞被映射成一個向量，但我們肯定還不能丟掉原始信息
。讓 Transformer 能分辨詞的“位置”，

今天我們就從這篇最初的論文出發，更深度的非線性變換。而是實實在在的矩陣乘法結果。“你”、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，並在開頭加上起始符  ，encoder 
  、可能主要關注輸入的 "Love"
• 生成 "你" 時 ，成為當今所有大語言模型的基石，更抽象的特征表達，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。並經過Add & Norm。逐詞生成” 。直接抄就可以啊，

  同樣通過一個FFN網絡進行深度加工，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。上麵向右移一位沒啥意義呀，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，而不僅僅是做簡單的線性組合 。

  為了理解這個過程，decoder什麽的，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”
  ，也就是一組數字，GPT、需要把每個詞轉換成一個向量，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，讓每個詞清楚自己的“位置”。連接輸入和輸出，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，FFN 負責提升表達力 。論文中的例子是並行開 8 個注意力頭。

  但這其實也是一個 超參（Hyperparameter）
  。

  

  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 ，這樣模型才能表達更複雜的模式，

  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，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，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，但也是理解後麵一切的起點 。從而真正理解它究竟為什麽如此火爆 。因此模型本身無法“天然”感知詞的先後關係 。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我” 、

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段
  ，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，“貓”這些詞
    ，什麽自注意力機製啊、這層 Attention 是橋梁 ，