這就是懂L的 Multi-Head Attention 的直觀體現。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是看完“加工”了一遍詞向量，什麽自注意力機製啊
、别人描述了針對同一段文字，吹年輸出 "我愛你"
。文搞更抽象的懂L的特征表達，

實際可以開12 個 、看完句子裏的别人每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分” ，從更多視角掃描句子。吹年

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，文搞需要參考 Encoder 的懂L的輸出。並再次經過Add & Norm。看完可能主要關注輸入的别人 "I"

題目: <start> 我 愛

<start> 我 愛

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 ______

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛”
，讓每個詞清楚自己的“位置”。

今天我們就從這篇最初的論文出發
，層數越多
、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，模型還是可以看到答案的一部分 ，

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 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。需要把標準答案整體右移一位，encoder、

所以 ，

注意力頭的數量是一個超參（Hyperparameter），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，

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，FFN 負責提升表達力。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，核心是 “從左到右 ，

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，

所以需要額外告訴模型 ：

“這是第 1 個詞 ，Transformer憑借這一高度並行、GPT、

圖的左邊一側Input（輸入），也就是一組數字
 ，兩個不同的注意力頭所展現出的各自關係 ，decoder什麽的 ，直接抄就可以啊，整體代表Decoder 。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。隻解讀圖表，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。

但這其實也是一個 超參（Hyperparameter）。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，連接輸入和輸出，這層 Attention 是橋梁，Llama 都堆到了幾十層甚至上百層。其工作嚴格遵循架構圖右側流程 ，

  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 ，防止模型從未來抄答案。48 個甚至更多的注意力頭
  ，並經過Add & Norm。已經成為當下所有大模型的基礎 。成體係地給身邊其他人講清楚 Transformer 工作原理，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。讓 Transformer 能分辨詞的“位置”，理解力越強。我們以翻譯任務為例：輸入 "I Love You" ，向量化這一步非常基礎，共同確保了模型無法“偷看答案”
  。隻能接受數字 。上麵向右移一位沒啥意義呀，就是下一個要生成的詞。再通過殘差連接與LayerNorm保障訓練的穩定性，真正理解下 Transformer 究竟是何方神聖
  。同時又不需要多餘的訓練成本 。但也是理解後麵一切的起點
  。

  

  sin/cos 位置編碼乍一看有點數學味，成為當今所有大語言模型的基石 ，

  比如模型要開始做這張填空卷了。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

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

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”
  ，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，並在開頭加上起始符 ，用於後續計算 。從而真正理解它究竟為什麽如此火爆。也能堆更多層。揭開 ChatGPT、可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。但若深入追問細節，論文中的例子是並行開 8 個注意力頭。因此模型本身無法“天然”感知詞的先後關係
  。

  一般來講 ，需要把每個詞轉換成一個向量
  ，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，

  最終
  ，仿佛人人都可以講些相關名詞出來 ，後麵這個字是啥
  ，“貓”這些詞
   ，起不到訓練效果 。對這個信息進行更複雜、這樣模型才能表達更複雜的模式，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，“你” 、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，

  首先 ，模型越大、

  也就是說它和上麵的 Shifted Right協同工作 ，

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了
  ，更深度的非線性變換 。

  又暈了 ？其實通俗來講就是：Attention 負責找關係，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  當提起 Transformer 這個話題時，

  同樣通過一個FFN網絡進行深度加工 ，把相關信息搜集到一起；

  FFN則負責深加工 ，就越關注這個詞。

  後來的 BERT 、

  這就是單一的 Self-Attention。