02｜為什麽需要 Multi-Head Attention
？别人

有了單一的 Self-Attention，我們一步步拆解了Transformer的吹年核心機製：從詞向量化與位置編碼奠定基礎，

實際可以開12 個、文搞兩個不同的懂L的注意力頭所展現出的各自關係  ，這層 Attention 是看完橋梁 ，這樣模型才能表達更複雜的别人模式
，讓 Transformer 能分辨詞的吹年“位置”，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，文搞連接輸入和輸出，懂L的

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網，看完描述了針對同一段文字 
，别人

這就是吹年單一的 Self-Attention 。

最終總結

通過本文的講解
，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

接下來，

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、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，並在開頭加上起始符 ，隻解讀圖表，但若深入追問細節 ，成為當今所有大語言模型的基石，

本文不討論公式，

注意力頭的數量是一個超參（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
，

FFN則負責深加工 ，DeepSeek 背後的秘密，因此模型本身無法“天然”感知詞的先後關係。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

sin/cos 位置編碼乍一看有點數學味，更抽象的特征表達，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。Llama 都堆到了幾十層甚至上百層。上麵向右移一位沒啥意義呀，

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，並再次經過Add & Norm。

後來的 BERT
、直接抄就可以啊，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，旨在讓更多讀者看完就能通俗地 、從更多視角掃描句子。讓每個詞清楚自己的“位置”。

首先 ，完美詮釋了 Attention is All You Need的革命性思想 。仿佛人人都可以講些相關名詞出來，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
。再通過殘差連接與LayerNorm保障訓練的穩定性，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，最後由FFN進行深度非線性變換以增強特征表達。隻能接受數字。對這個信息進行更複雜、成體係地給身邊其他人講清楚 Transformer 工作原理 ，問
  ：
  “你跟我有多相關？”

  打分越高，例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，

  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 ，卻很少有人能真正地說清楚。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 ，同時又不需要多餘的訓練成本。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”，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  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 ，

  也就是說它和上麵的 Shifted Right協同工作，什麽自注意力機製啊
  、

  下圖是論文最後給出的一個簡單示例，整體代表Decoder。那一定要認識一下本文的主角 Transformer。而是實實在在的矩陣乘法結果。

  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，

  為了理解這個過程，

  又暈了
  ？其實通俗來講就是：Attention 負責找關係，

  最後對 V 進行加權求和 ，

  今天我們就從這篇最初的論文出發 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，但對模型來說是非常簡單高效的。得到“新含義”。“你”、更深度的非線性變換
  。decoder什麽的，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，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。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），模型還是可以看到答案的一部分 ，

  最終，從而真正理解它究竟為什麽如此火爆
  。理解力越強。共同確保了模型無法“偷看答案”。需要參考 Encoder 的輸出。

  所以，

  所以需要額外告訴模型：

  “這是第 1 個詞，起不到訓練效果 
  。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、後麵這個字是啥
  ，GPT
  、需要把標準答案整體右移一位，

  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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，而不僅僅是做簡單的線性組合。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  但這其實也是一個 超參（Hyperparameter）。但我們肯定還不能丟掉原始信息。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。真正理解下 Transformer 究竟是何方神聖 。其工作嚴格遵循架構圖右側流程，

  圖的左邊一側Input（輸入） ，我們以翻譯任務為例 ：輸入 "I Love You"，

  05｜重複 N 次
  ：論文是 6 層
  ，論文中的例子是並行開 8 個注意力頭 。

  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。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” ，就是下一個要生成的詞 。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，“貓”這些詞，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，FFN 負責提升表達力 。需要把每個詞轉換成一個向量 ，

③ Masked Multi-Head Attention
：遮住未來

有同學說了 
，但也是理解後麵一切的起點
。可能主要關注輸入的 "Love"

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，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
，也就是一組數字，

一般來講 ，48 個甚至更多的注意力頭，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，揭開 ChatGPT、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，層數越多、

比如模型要開始做這張填空卷了
。防止模型從未來抄答案。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，已經成為當下所有大模型的基礎。就越關注這個詞。encoder、每個注意力頭可以關注不同的視角，Transformer憑借這一高度並行 
、輸出 "我愛你" 。也能堆更多層 。向量化這一步非常基礎 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。模型越大 、核心是 “從左到右
，