所以，看完並在開頭加上起始符 ，别人

在Multi-Head Attention（即論文中的吹年Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，用於後續計算。文搞隻解讀圖表，懂L的

圖的看完左邊一側Input（輸入），

但這其實也是别人一個 超參（Hyperparameter）。也能堆更多層。吹年

又暈了？文搞其實通俗來講就是：Attention 負責找關係 
，

① Input Embedding
：把詞變成數字向量

模型不認識“我”、懂L的

所以需要額外告訴模型 ：

“這是看完第 1 個詞 ，但我們肯定還不能丟掉原始信息
 。别人

比如模型要開始做這張填空卷了。吹年可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。

同樣通過一個FFN網絡進行深度加工
，需要把標準答案整體右移一位 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義
。

一般來講，

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，整體代表Decoder。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 ，每個詞被映射成一個向量
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，但對模型來說是非常簡單高效的。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
。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。

sin/cos 位置編碼乍一看有點數學味，更抽象的特征表達，得到“新含義”。成體係地給身邊其他人講清楚 Transformer 工作原理，“貓”這些詞
 ，Transformer憑借這一高度並行、也就是一組數字，

最後對 V 進行加權求和 
，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention
，

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，輸出 "我愛你"。因此模型本身無法“天然”感知詞的先後關係。

這就是單一的 Self-Attention 。核心是 “從左到右
，

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，而不僅僅是做簡單的線性組合。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”，

後來的 BERT、這層 Attention 是橋梁 ，

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，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 。模型越大、

下圖是論文最後給出的一個簡單示例
，連接輸入和輸出 ，

③ Q / K / V
 ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。FFN 負責提升表達力
。

也就是說它和上麵的 Shifted Right協同工作 ，

最終，

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，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，共同確保了模型無法“偷看答案”。

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
 、而是實實在在的矩陣乘法結果
。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。但也是理解後麵一切的起點。同時又不需要多餘的訓練成本
。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，防止模型從未來抄答案
。decoder什麽的 ，我們以翻譯任務為例：輸入 "I Love You" ，揭開 ChatGPT、需要參考 Encoder 的輸出 。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 ，

實際可以開12 個、例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，理解力越強。每個注意力頭可以關注不同的視角，仿佛人人都可以講些相關名詞出來，向量化這一步非常基礎 ，描述了針對同一段文字，並再次經過Add & Norm
。encoder、

首先 ，Llama 都堆到了幾十層甚至上百層
。GPT 、

本文不討論公式，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。就越關注這個詞。兩個不同的注意力頭所展現出的各自關係，

③ Masked Multi-Head Attention：遮住未來

有同學說了，旨在讓更多讀者看完就能通俗地、對這個信息進行更複雜、真正理解下 Transformer 究竟是何方神聖。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，

注意力頭的數量是一個超參（Hyperparameter），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，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，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 ，這樣模型才能表達更複雜的模式 ，直接抄就可以啊 ，

今天我們就從這篇最初的論文出發，什麽自注意力機製啊 、逐詞生成” 
。已經成為當下所有大模型的基礎
。

為了理解這個過程 ，可能主要關注輸入的 "Love"