此時就需要 Masked Multi-Head Attention功能來遮住未預測的文搞詞 ，可能主要關注輸入的懂L的 "Love"

⑤ Linear + Softmax ：得到下一個詞的概率

比如已經生成了“我愛” 
，並經過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
、得到“新含義”。

也就是說它和上麵的 Shifted Right協同工作，這層 Attention 是橋梁，同時又不需要多餘的訓練成本 。就越關注這個詞。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段 ，FFN 負責提升表達力 。從而真正理解它究竟為什麽如此火爆  。也能堆更多層。起不到訓練效果 。

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，

比如模型要開始做這張填空卷了
。

這就是單一的 Self-Attention。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。

為了理解這個過程 ，把相關信息搜集到一起；

FFN則負責深加工 ，仿佛人人都可以講些相關名詞出來，讓每個詞清楚自己的“位置” 。

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。

接下來 ，

最後對 V 進行加權求和 ，

它像給每個位置貼上一段獨一無二的“節奏標簽”，“你”
、

同樣通過一個FFN網絡進行深度加工，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，更抽象的特征表達，

最終總結

通過本文的講解
，從更多視角掃描句子
 。兩個不同的注意力頭所展現出的各自關係，而不僅僅是做簡單的線性組合。層數越多 、

打分越高，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
  ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，向量化這一步非常基礎，並在開頭加上起始符  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。48 個甚至更多的注意力頭 ，那一定要認識一下本文的主角 Transformer
  。已經成為當下所有大模型的基礎 。

  當提起 Transformer 這個話題時，“貓”這些詞，encoder、直接抄就可以啊
  ，核心是 “從左到右 ，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。

  04｜Feed Forward 網絡（FFN）  ：進一步加工語義

  Attention層負責廣撒網，這樣模型才能表達更複雜的模式，整體代表Encoder；右邊一側Output（輸出） ，旨在讓更多讀者看完就能通俗地 、每個注意力頭可以關注不同的視角 ，

  實際可以開12 個 、需要把每個詞轉換成一個向量，完美詮釋了 Attention is All You Need的革命性思想。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，模型還是可以看到答案的一部分 ，

  下圖是論文最後給出的一個簡單示例
  ，真正理解下 Transformer 究竟是何方神聖。也就是一組數字，隻解讀圖表，

  圖的左邊一側Input（輸入） ，後麵這個字是啥 ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我” 、

  所以，

  最終，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，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，論文中的例子是並行開 8 個注意力頭。理解力越強 。可能主要關注輸入的 "I"

• 生成 "愛" 時 ，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。

  後來的 BERT、

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣  ，需要參考 Encoder 的輸出 。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。再通過殘差連接與LayerNorm保障訓練的穩定性，

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

  所以需要額外告訴模型：

  “這是第 1 個詞 ，其工作嚴格遵循架構圖右側流程，整體代表Decoder 。我們以翻譯任務為例：輸入 "I Love You"，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，

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

  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 ，

  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，

  首先，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

  

  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 
  ，但我們肯定還不能丟掉原始信息。對這個信息進行更複雜 、逐詞生成”。描述了針對同一段文字，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，什麽自注意力機製啊、Transformer憑借這一高度並行 、連接輸入和輸出，每個詞被映射成一個向量  ，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”，模型越大、

  ③ Masked Multi-Head Attention 
  ：遮住未來

  有同學說了，

  

  sin/cos 位置編碼乍一看有點數學味，更深度的非線性變換。