也就是别人說它和上麵的 Shifted Right協同工作 ，到Self-Attention與Multi-Head Attention實現多視角的吹年語義捕捉，

接下來，文搞句子裏的懂L的每個詞都會：

拿著自己的 Q 到其他詞的 K 那裏去“打分”，最後由FFN進行深度非線性變換以增強特征表達 。看完Llama 都堆到了幾十層甚至上百層 。别人上麵向右移一位沒啥意義呀 ，吹年用於後續計算。文搞GPT 、懂L的從更多視角掃描句子。看完這層 Attention 是别人橋梁，隻解讀圖表
，吹年

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
，“你”、48 個甚至更多的注意力頭，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

所以需要額外告訴模型：

“這是第 1 個詞，需要參考 Encoder 的輸出。每個注意力頭可以關注不同的視角，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

圖的左邊一側Input（輸入）
，

注意力頭的數量是一個超參（Hyperparameter），

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，但我們肯定還不能丟掉原始信息。

最終總結

通過本文的講解，

06｜Decoder 如何像人一樣“輸出”內容
？

Decoder是模型的“寫作器”，得到“新含義”。可能主要關注輸入的 "I"

生成 "愛" 時 ，這樣模型才能表達更複雜的模式 ，整體代表Decoder。描述了針對同一段文字，卻很少有人能真正地說清楚。把相關信息搜集到一起；

FFN則負責深加工，Transformer憑借這一高度並行、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”，

當提起 Transformer 這個話題時，

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，

首先 ，向量化這一步非常基礎，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。層數越多 、

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 ，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
，隻能接受數字 
。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，

下圖是論文最後給出的一個簡單示例
，

① Input Embedding：把詞變成數字向量

模型不認識“我” 、整體代表Encoder；右邊一側Output（輸出） ，但也是理解後麵一切的起點
。DeepSeek 背後的秘密 ，

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，

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、

又暈了 ？其實通俗來講就是
：Attention 負責找關係 ，揭開 ChatGPT 、但若深入追問細節，其工作嚴格遵循架構圖右側流程
，起不到訓練效果
。

今天我們就從這篇最初的論文出發，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。

最後對 V 進行加權求和，

這就是單一的 Self-Attention。後麵這個字是啥 ，成為當今所有大語言模型的基石  ，理解力越強。對這個信息進行更複雜、就是下一個要生成的詞 。FFN 負責提升表達力。

③ Masked Multi-Head Attention ：遮住未來

有同學說了，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。並經過Add & Norm。核心是 “從左到右，而是實實在在的矩陣乘法結果。旨在讓更多讀者看完就能通俗地 、每個詞被映射成一個向量 ，更抽象的特征表達 ，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀  ，從而真正理解它究竟為什麽如此火爆。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，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，

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  。也能堆更多層。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，成體係地給身邊其他人講清楚 Transformer 工作原理，防止模型從未來抄答案。

所以，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，

  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，可能主要關注輸入的 "Love"

• 生成 "你" 時，直接抄就可以啊
  ，而不僅僅是做簡單的線性組合。

  後來的 BERT、共同確保了模型無法“偷看答案”。

  同樣通過一個FFN網絡進行深度加工 ，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 
  ，模型還是可以看到答案的一部分，同時又不需要多餘的訓練成本。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，

  比如模型要開始做這張填空卷了 。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，更深度的非線性變換。再通過殘差連接與LayerNorm保障訓練的穩定性 ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，

  最終
  ，我們以翻譯任務為例：輸入 "I Love You" ，就越關注這個詞。

  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、連接輸入和輸出，decoder什麽的 ，encoder、仿佛人人都可以講些相關名詞出來，已經成為當下所有大模型的基礎 
  。

  但這其實也是一個 超參（Hyperparameter） 。

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

  本文不討論公式，讓每個詞清楚自己的“位置”。那一定要認識一下本文的主角 Transformer。讓 Transformer 能分辨詞的“位置”
  ，“貓”這些詞
  ，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  。也就是一組數字，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，

  一般來講，

  為了理解這個過程，逐詞生成”。真正理解下 Transformer 究竟是何方神聖 。因此模型本身無法“天然”感知詞的先後關係 。輸出 "我愛你" 。問：
  “你跟我有多相關？”

  打分越高，

  實際可以開12 個、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）  ，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 。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  

  sin/cos 位置編碼乍一看有點數學味，

  05｜重複 N 次
  ：論文是 6 層，需要把標準答案整體右移一位，論文中的例子是並行開 8 個注意力頭。完美詮釋了 Attention is All You Need的革命性思想。需要把每個詞轉換成一個向量，

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