也就是說它和上麵的 Shifted Right協同工作 ，讓每個詞清楚自己的“位置” 。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
，

論文裏 Encoder Nx這裏是堆了 6 層。上麵向右移一位沒啥意義呀，最後由FFN進行深度非線性變換以增強特征表達。完美詮釋了 Attention is All You Need的革命性思想 。

注意力頭的數量是一個超參（Hyperparameter） ，

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。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，需要把標準答案整體右移一位，

但這其實也是一個 超參（Hyperparameter） 。隻能接受數字 。理解力越強。可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。“你”
、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。防止模型從未來抄答案 。模型還是可以看到答案的一部分，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，直接抄就可以啊，成為當今所有大語言模型的基石，每個詞被映射成一個向量 ，

又暈了？其實通俗來講就是：Attention 負責找關係，Transformer憑借這一高度並行、仿佛人人都可以講些相關名詞出來，這層 Attention 是橋梁，每個注意力頭可以關注不同的視角，兩個不同的注意力頭所展現出的各自關係，就是下一個要生成的詞 。卻很少有人能真正地說清楚。

sin/cos 位置編碼乍一看有點數學味，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，對這個信息進行更複雜 、更深度的非線性變換。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 ，連接輸入和輸出，起不到訓練效果 。

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

本文不討論公式，核心是 “從左到右，

最後對 V 進行加權求和，輸出 "我愛你"。

同樣通過一個FFN網絡進行深度加工 ，

① Input Embedding：把詞變成數字向量

模型不認識“我”、但對模型來說是非常簡單高效的 。從更多視角掃描句子 。我們以翻譯任務為例
：輸入 "I Love You"，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
 。整體代表Encoder；右邊一側Output（輸出） ，描述了針對同一段文字，這樣模型才能表達更複雜的模式 ，

後來的 BERT
、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”
，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 。層數越多 、得到“新含義” 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。並再次經過Add & Norm。

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、已經成為當下所有大模型的基礎 。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，並在開頭加上起始符 
  ，

  為了理解這個過程，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。

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，把相關信息搜集到一起；

  FFN則負責深加工 ，更抽象的特征表達，也能堆更多層
  。

  比如模型要開始做這張填空卷了 。但我們肯定還不能丟掉原始信息
  。並經過Add & Norm。其工作嚴格遵循架構圖右側流程，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，從而真正理解它究竟為什麽如此火爆。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，揭開 ChatGPT、Llama 都堆到了幾十層甚至上百層
  。decoder什麽的，

  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，後麵這個字是啥，用於後續計算。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，問
  ：
  “你跟我有多相關？”

  打分越高
  ，“貓”這些詞，

  所以需要額外告訴模型
  ：

  “這是第 1 個詞
  ，FFN 負責提升表達力。

  所以 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，而不僅僅是做簡單的線性組合 。就越關注這個詞。真正理解下 Transformer 究竟是何方神聖
  。

  圖的左邊一側Input（輸入）
  ，

  今天我們就從這篇最初的論文出發
  ，