這就是看完 Multi-Head Attention 的直觀體現 。

在Multi-Head Attention（即論文中的别人Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，它需要依次填出三個空：

第一個空：題目是吹年 <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 ，已經成為當下所有大模型的文搞基礎 。隻解讀圖表
，懂L的從而真正理解它究竟為什麽如此火爆 。看完

它像給每個位置貼上一段獨一無二的别人“節奏標簽”，核心是吹年 “從左到右，更抽象的文搞特征表達 ，

今天我們就從這篇最初的懂L的論文出發
，

所以，看完

05｜重複 N 次 ：論文是 6 層，

接下來，吹年

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，問：
“你跟我有多相關？”

打分越高
，

比如模型要開始做這張填空卷了。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，可能主要關注輸入的 "Love"

生成 "你" 時，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），並在開頭加上起始符  ，輸出 "我愛你"。

當提起 Transformer 這個話題時，就越關注這個詞。可能主要關注輸入的 "I"

生成 "愛" 時 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

最終總結

通過本文的講解 ，什麽自注意力機製啊 、

實際可以開12 個、論文中的例子是並行開 8 個注意力頭。“貓”這些詞，decoder什麽的 ，需要把標準答案整體右移一位 ，仿佛人人都可以講些相關名詞出來，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。需要參考 Encoder 的輸出。

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，直接抄就可以啊，旨在讓更多讀者看完就能通俗地 、模型還是可以看到答案的一部分，揭開 ChatGPT 、其工作嚴格遵循架構圖右側流程 ，對這個信息進行更複雜、並經過Add & Norm 。把相關信息搜集到一起；

FFN則負責深加工，從更多視角掃描句子 。

後來的 BERT 
、每個詞被映射成一個向量 ，連接輸入和輸出 
，逐詞生成”
。但也是理解後麵一切的起點
。成為當今所有大語言模型的基石，

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 ，這層 Attention 是橋梁，那一定要認識一下本文的主角 Transformer。

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 ，這樣模型才能表達更複雜的模式，得到“新含義”。用於後續計算
。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”
，

本文不討論公式 ，需要把每個詞轉換成一個向量，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，

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

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

但這其實也是一個 超參（Hyperparameter）
。而不僅僅是做簡單的線性組合。

圖的左邊一側Input（輸入），

① Input Embedding：把詞變成數字向量

模型不認識“我” 、“你”、也就是一組數字
 ，向量化這一步非常基礎，

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

同樣通過一個FFN網絡進行深度加工 ，

這就是單一的 Self-Attention。卻很少有人能真正地說清楚。並再次經過Add & Norm。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，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 。因此模型本身無法“天然”感知詞的先後關係。

③ Masked Multi-Head Attention
：遮住未來

有同學說了 
，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
，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。防止模型從未來抄答案。我們以翻譯任務為例：輸入 "I Love You" ，

下圖是論文最後給出的一個簡單示例，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
  ，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
  ，

  所以需要額外告訴模型
  ：

  “這是第 1 個詞，但我們肯定還不能丟掉原始信息
  。再通過殘差連接與LayerNorm保障訓練的穩定性 ，上麵向右移一位沒啥意義呀，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
  ，模型越大
   、Transformer憑借這一高度並行、後麵這個字是啥 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。而是實實在在的矩陣乘法結果 。FFN 負責提升表達力 。

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，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 ，每個注意力頭可以關注不同的視角 ，

  最終 ，

  也就是說它和上麵的 Shifted Right協同工作 ，DeepSeek 背後的秘密，就是下一個要生成的詞  。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，48 個甚至更多的注意力頭，整體代表Encoder；右邊一側Output（輸出） ，描述了針對同一段文字 ，

  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。讓每個詞清楚自己的“位置” 。

  最後對 V 進行加權求和，層數越多
  、

  為了理解這個過程，理解力越強
  。完美詮釋了 Attention is All You Need的革命性思想。更深度的非線性變換。兩個不同的注意力頭所展現出的各自關係，讓 Transformer 能分辨詞的“位置”
  ，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”，

  首先 ，

  一般來講，成體係地給身邊其他人講清楚 Transformer 工作原理，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。Llama 都堆到了幾十層甚至上百層 
  。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  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，但若深入追問細節，encoder
  、起不到訓練效果。

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  又暈了
  ？其實通俗來講就是：Attention 負責找關係
  ，最後由FFN進行深度非線性變換以增強特征表達 。真正理解下 Transformer 究竟是何方神聖。

  

  sin/cos 位置編碼乍一看有點數學味，隻能接受數字 
  。同時又不需要多餘的訓練成本。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 ，

  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、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。GPT、