第一個空：題目是懂L的 <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 ，而是看完實實在在的矩陣乘法結果 。那一定要認識一下本文的别人主角 Transformer。需要把每個詞轉換成一個向量，吹年其工作嚴格遵循架構圖右側流程 ，文搞因此模型本身無法“天然”感知詞的懂L的先後關係。讓 Decoder 可以“請教 Encoder”
：

“你生成的看完詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You"：

• 生成 "我" 時 
  ，對這個信息進行更複雜、别人可能主要關注輸入的吹年 "Love"
• 生成 "你" 時，揭開 ChatGPT、文搞起不到訓練效果。懂L的真正理解下 Transformer 究竟是看完何方神聖 。到Self-Attention與Multi-Head Attention實現多視角的别人語義捕捉，從而真正理解它究竟為什麽如此火爆。吹年

  本文不討論公式，上麵向右移一位沒啥意義呀，

  今天我們就從這篇最初的論文出發，並在開頭加上起始符 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，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”，就是下一個要生成的詞。我們以翻譯任務為例：輸入 "I Love You" ，模型越大、

  首先，

  也就是說它和上麵的 Shifted Right協同工作，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，“貓”這些詞，再通過殘差連接與LayerNorm保障訓練的穩定性，

  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、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 。

  最終總結

  通過本文的講解 ，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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  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、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。讓每個詞清楚自己的“位置”
  。可能主要關注輸入的 "I"

• 生成 "愛" 時 ，這層 Attention 是橋梁 ，更深度的非線性變換。防止模型從未來抄答案 。把相關信息搜集到一起；

  FFN則負責深加工，向量化這一步非常基礎，成為當今所有大語言模型的基石 ，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。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。仿佛人人都可以講些相關名詞出來 ，每個詞被映射成一個向量 ，

  所以需要額外告訴模型：

  “這是第 1 個詞，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，48 個甚至更多的注意力頭，

  為了理解這個過程，連接輸入和輸出
  ，但對模型來說是非常簡單高效的 。

  最後對 V 進行加權求和，

  05｜重複 N 次 ：論文是 6 層 ，逐詞生成”
  。

  同樣通過一個FFN網絡進行深度加工
  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，就越關注這個詞。卻很少有人能真正地說清楚。而不僅僅是做簡單的線性組合 。理解力越強。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，需要參考 Encoder 的輸出 。FFN 負責提升表達力。

  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 ，從更多視角掃描句子 。輸出 "我愛你"。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，每個注意力頭可以關注不同的視角 ，並再次經過Add & Norm 。最後由FFN進行深度非線性變換以增強特征表達。

  所以，已經成為當下所有大模型的基礎。兩個不同的注意力頭所展現出的各自關係，直接抄就可以啊，同時又不需要多餘的訓練成本。得到“新含義” 。描述了針對同一段文字，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，問 ：
  “你跟我有多相關？”

  打分越高 ，

  接下來，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，並經過Add & Norm。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”
，核心是 “從左到右 ，也能堆更多層。

比如模型要開始做這張填空卷了
。後麵這個字是啥 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。encoder、

當提起 Transformer 這個話題時，DeepSeek 背後的秘密，Llama 都堆到了幾十層甚至上百層。讓 Transformer 能分辨詞的“位置”，但若深入追問細節 
，需要把標準答案整體右移一位，用於後續計算。隻能接受數字 
。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention
，

這就是單一的 Self-Attention
。

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，

圖的左邊一側Input（輸入），這樣模型才能表達更複雜的模式 ，GPT、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，

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，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  ，整體代表Encoder；右邊一側Output（輸出），

一般來講
，

最終 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、但也是理解後麵一切的起點。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

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
。層數越多、下麵我們就來一步步通俗理解下這張架構圖的深層含義。

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

後來的 BERT
、隻解讀圖表，

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 ，

實際可以開12 個 、

sin/cos 位置編碼乍一看有點數學味，更抽象的特征表達，論文中的例子是並行開 8 個注意力頭。

又暈了？其實通俗來講就是：Attention 負責找關係，什麽自注意力機製啊、模型還是可以看到答案的一部分 ，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 ，

注意力頭的數量是一個超參（Hyperparameter） ，整體代表Decoder。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

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 ，Transformer憑借這一高度並行、完美詮釋了 Attention is All You Need的革命性思想 。“你” 、

但這其實也是一個 超參（Hyperparameter）
。

下圖是論文最後給出的一個簡單示例 ，decoder什麽的，也就是一組數字 ，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網，

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”，