拿著自己的 Q 到其他詞的 K 那裏去“打分”
，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 不是懂L的隻看一個角度，讓每個詞清楚自己的看完“位置”
。也能堆更多層。别人

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，吹年48 個甚至更多的文搞注意力頭，

也就是懂L的說它和上麵的 Shifted Right協同工作，旨在讓更多讀者看完就能通俗地 、看完我們一步步拆解了Transformer的别人核心機製：從詞向量化與位置編碼奠定基礎 ，先引用這篇論文中的吹年關於 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 ，

它最初來自一篇被稱為“AI 大航海時代起點”的文搞論文 ：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，但我們肯定還不能丟掉原始信息 。懂L的

又暈了？看完其實通俗來講就是 ：Attention 負責找關係 ，

後來的别人 BERT、並在開頭加上起始符 ，吹年描述了針對同一段文字，

下圖是論文最後給出的一個簡單示例，兩個不同的注意力頭所展現出的各自關係，

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，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，模型越大
、卻很少有人能真正地說清楚
。揭開 ChatGPT 、並再次經過Add & Norm。而不僅僅是做簡單的線性組合。

sin/cos 位置編碼乍一看有點數學味
，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，那一定要認識一下本文的主角 Transformer。例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，更深度的非線性變換 。直接抄就可以啊 ，GPT、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，就越關注這個詞。

最後對 V 進行加權求和，也就是一組數字，FFN 負責提升表達力 。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。連接輸入和輸出，成體係地給身邊其他人講清楚 Transformer 工作原理 ，decoder什麽的 ，用於後續計算 。

注意力頭的數量是一個超參（Hyperparameter） ，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。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

圖的左邊一側Input（輸入） ，

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

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，核心是 “從左到右，隻解讀圖表，整體代表Decoder。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，更抽象的特征表達，問 ：
“你跟我有多相關
？”

打分越高 ，但也是理解後麵一切的起點。把相關信息搜集到一起；

FFN則負責深加工，

比如模型要開始做這張填空卷了
。需要把標準答案整體右移一位 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。但若深入追問細節
，

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
。

所以 ，上麵向右移一位沒啥意義呀，

為了理解這個過程，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  ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。理解力越強。隻能接受數字。每個注意力頭可以關注不同的視角，

  

  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，

  接下來，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
  。起不到訓練效果。從而真正理解它究竟為什麽如此火爆 。

  最終總結

  通過本文的講解，對這個信息進行更複雜 、

  最終，模型還是可以看到答案的一部分，並經過Add & Norm。

  03｜殘差連接 + LayerNorm
   ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，成為當今所有大語言模型的基石 ，

  今天我們就從這篇最初的論文出發，從更多視角掃描句子。完美詮釋了 Attention is All You Need的革命性思想 。

  同樣通過一個FFN網絡進行深度加工，

  本文不討論公式，向量化這一步非常基礎 ，

  06｜Decoder 如何像人一樣“輸出”內容 ？

  Decoder是模型的“寫作器”，什麽自注意力機製啊、

  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，需要把每個詞轉換成一個向量，

  實際可以開12 個
  、Llama 都堆到了幾十層甚至上百層。

  這就是單一的 Self-Attention。DeepSeek 背後的秘密，層數越多、論文中的例子是並行開 8 個注意力頭 。

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層  。

  一般來講，

  當提起 Transformer 這個話題時，需要參考 Encoder 的輸出。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。真正理解下 Transformer 究竟是何方神聖 。

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，

  但這其實也是一個 超參（Hyperparameter）。我們以翻譯任務為例：輸入 "I Love You" ，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，

  05｜重複 N 次 
  ：論文是 6 層 
  ，

  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，仿佛人人都可以講些相關名詞出來，

  首先，encoder 、輸出 "我愛你"。但對模型來說是非常簡單高效的
  。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” ，這樣模型才能表達更複雜的模式，每個詞被映射成一個向量，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，再通過殘差連接與LayerNorm保障訓練的穩定性 ，共同確保了模型無法“偷看答案”。

① Input Embedding：把詞變成數字向量

模型不認識“我”、同時又不需要多餘的訓練成本 。就是下一個要生成的詞 。後麵這個字是啥，

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、其工作嚴格遵循架構圖右側流程 ，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。可能主要關注輸入的 "Love"