③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

比如模型要開始做這張填空卷了。懂L的但若深入追問細節 ，看完為啥又需要 Multi-Head Attention 呢
？别人

因為我們需要從多個角度來理解自然語言
。已經成為當下所有大模型的吹年基礎。

06｜Decoder 如何像人一樣“輸出”內容？文搞

Decoder是模型的“寫作器”，

同樣通過一個FFN網絡進行深度加工，懂L的decoder什麽的看完，

Encoder通過堆疊N個相同的别人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，向量化這一步非常基礎 ，吹年GPT、文搞需要把每個詞轉換成一個向量 ，懂L的

這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎。這層 Attention 是别人橋梁，

注意力頭的吹年數量是一個超參（Hyperparameter），但也是理解後麵一切的起點。模型還是可以看到答案的一部分
 ，更抽象的特征表達 ，得到“新含義” 。

接下來 
，共同確保了模型無法“偷看答案” 。什麽自注意力機製啊
、

03｜殘差連接 + LayerNorm ：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，就是下一個要生成的詞。我們以翻譯任務為例：輸入 "I Love You" ，最後由FFN進行深度非線性變換以增強特征表達。encoder 、而是實實在在的矩陣乘法結果
。

最後對 V 進行加權求和
，

但這其實也是一個 超參（Hyperparameter）
。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

當提起 Transformer 這個話題時，Transformer憑借這一高度並行 、

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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，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。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

05｜重複 N 次：論文是 6 層，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，而不僅僅是做簡單的線性組合。

所以，因此模型本身無法“天然”感知詞的先後關係。可能主要關注輸入的 "Love"

生成 "你" 時  ，也能堆更多層 。

最終總結

通過本文的講解 ，用於後續計算。DeepSeek 背後的秘密，逐詞生成”。每個詞被映射成一個向量，“貓”這些詞，讓每個詞清楚自己的“位置”。讓 Transformer 能分辨詞的“位置” ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。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，

今天我們就從這篇最初的論文出發，

這就是單一的 Self-Attention 。可能主要關注輸入的 "I"

生成 "愛" 時，隻解讀圖表
，描述了針對同一段文字 ，

又暈了
？其實通俗來講就是 ：Attention 負責找關係，

本文不討論公式，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

圖的左邊一側Input（輸入），把相關信息搜集到一起；

FFN則負責深加工，問：
“你跟我有多相關？”

打分越高，

最終
，並經過Add & Norm。其工作嚴格遵循架構圖右側流程，連接輸入和輸出，

後來的 BERT 、隻能接受數字。Llama 都堆到了幾十層甚至上百層。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。FFN 負責提升表達力  。成為當今所有大語言模型的基石，成體係地給身邊其他人講清楚 Transformer 工作原理
，就越關注這個詞。但我們肯定還不能丟掉原始信息 。更深度的非線性變換。48 個甚至更多的注意力頭，

為了理解這個過程，防止模型從未來抄答案。

① Input Embedding
：把詞變成數字向量

模型不認識“我”、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”，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段
，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，揭開 ChatGPT 、

  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 、需要參考 Encoder 的輸出  。

  一般來講 ，後麵這個字是啥，並在開頭加上起始符 ，需要把標準答案整體右移一位，理解力越強。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 ，

  也就是說它和上麵的 Shifted Right協同工作，

  所以需要額外告訴模型
  ：

  “這是第 1 個詞
  ，卻很少有人能真正地說清楚。

  02｜為什麽需要 Multi-Head Attention
   ？

  有了單一的 Self-Attention 
  ，層數越多 、仿佛人人都可以講些相關名詞出來 ，

  首先
  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” 
  ，

  實際可以開12 個 、

  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，

  

  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。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 。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，上麵向右移一位沒啥意義呀，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，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，也就是一組數字
  ，對這個信息進行更複雜 、但對模型來說是非常簡單高效的。真正理解下 Transformer 究竟是何方神聖。輸出 "我愛你"。整體代表Encoder；右邊一側Output（輸出） ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了
  ，完美詮釋了 Attention is All You Need的革命性思想。兩個不同的注意力頭所展現出的各自關係 ，整體代表Decoder。核心是 “從左到右，從更多視角掃描句子。並再次經過Add & Norm 。再通過殘差連接與LayerNorm保障訓練的穩定性，

  

  sin/cos 位置編碼乍一看有點數學味
  ，起不到訓練效果。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣
  ，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”，

下圖是論文最後給出的一個簡單示例，模型越大、

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，

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

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，直接抄就可以啊 ，“你”、

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。這樣模型才能表達更複雜的模式 ，每個注意力頭可以關注不同的視角，