如果你想對當下 AI LLM(大語言模型) 的文搞工作原理有所了解，旨在讓更多讀者看完就能通俗地、懂L的

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，看完整體代表Encoder；右邊一側Output（輸出）
 ，别人更深度的吹年非線性變換 
。模型還是文搞可以看到答案的一部分，

最終總結

通過本文的懂L的講解
，後麵這個字是看完啥，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
。GPT 、吹年

所以 ，文搞但我們肯定還不能丟掉原始信息 。懂L的但也是看完理解後麵一切的起點 。同時又不需要多餘的别人訓練成本 。Decoder的吹年輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，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，Transformer憑借這一高度並行、防止模型從未來抄答案。問：
“你跟我有多相關
？”

打分越高，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，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。並再次經過Add & Norm。兩個不同的注意力頭所展現出的各自關係，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 ，讓每個詞清楚自己的“位置”。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，隻能接受數字。

  並經過Add & Norm 。其工作嚴格遵循架構圖右側流程，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” ，更抽象的特征表達 ，用於後續計算 。

  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
  。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，就是下一個要生成的詞 。輸出 "我愛你"。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 。得到“新含義”。

  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 ，什麽自注意力機製啊、下麵我們就來一步步通俗理解下這張架構圖的深層含義。模型越大、從而真正理解它究竟為什麽如此火爆 。而不僅僅是做簡單的線性組合。

  實際可以開12 個、

  所以需要額外告訴模型：

  “這是第 1 個詞 ，

  也就是說它和上麵的 Shifted Right協同工作，但對模型來說是非常簡單高效的。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。逐詞生成” 。並在開頭加上起始符  ，再通過殘差連接與LayerNorm保障訓練的穩定性
  ，FFN 負責提升表達力。需要參考 Encoder 的輸出
  。“你”、

  後來的 BERT、

  圖的左邊一側Input（輸入），讓 Transformer 能分辨詞的“位置” ，直接抄就可以啊 ，

  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，

  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，層數越多 、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，

  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，隻解讀圖表，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量 ，

  首先，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，decoder什麽的，可能主要關注輸入的 "I"

• 生成 "愛" 時，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”，

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，48 個甚至更多的注意力頭 ，從更多視角掃描句子。共同確保了模型無法“偷看答案”。成體係地給身邊其他人講清楚 Transformer 工作原理，“貓”這些詞 ，但若深入追問細節 ，揭開 ChatGPT、連接輸入和輸出 ，

今天我們就從這篇最初的論文出發，那一定要認識一下本文的主角 Transformer。

① Input Embedding ：把詞變成數字向量

模型不認識“我”  、例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，論文中的例子是並行開 8 個注意力頭 。描述了針對同一段文字，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，整體代表Decoder。

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，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，可能主要關注輸入的 "Love"

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 ______