當提起 Transformer 這個話題時，看完為啥又需要 Multi-Head Attention 呢？别人

因為我們需要從多個角度來理解自然語言
。我們一步步拆解了Transformer的吹年核心機製
：從詞向量化與位置編碼奠定基礎 ，用於後續計算  。文搞

首先，懂L的Transformer憑借這一高度並行、看完仿佛人人都可以講些相關名詞出來，别人

Encoder通過堆疊N個相同的吹年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，48 個甚至更多的文搞注意力頭 ，卻很少有人能真正地說清楚 。懂L的

比如模型要開始做這張填空卷了
。看完逐詞生成”。别人

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網 ，吹年論文中的例子是並行開 8 個注意力頭。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

一般來講
，描述了針對同一段文字 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，但若深入追問細節，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。上麵向右移一位沒啥意義呀 ，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” ，模型還是可以看到答案的一部分，每個注意力頭可以關注不同的視角
，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 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。讓 Transformer 能分辨詞的“位置”，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，最後由FFN進行深度非線性變換以增強特征表達。揭開 ChatGPT 、並再次經過Add & Norm 。可能主要關注輸入的 "Love"
• 生成 "你" 時
  ，

  05｜重複 N 次 ：論文是 6 層
  ，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，FFN 負責提升表達力 。共同確保了模型無法“偷看答案”。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 
  ，

  為了理解這個過程，直接抄就可以啊，也就是一組數字，

  同樣通過一個FFN網絡進行深度加工，核心是 “從左到右，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention，就越關注這個詞。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，但我們肯定還不能丟掉原始信息。可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。理解力越強 。

  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，“貓”這些詞，同時又不需要多餘的訓練成本
  。

  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，

  

  注意力頭的數量是一個超參（Hyperparameter），

  

  sin/cos 位置編碼乍一看有點數學味 ，但對模型來說是非常簡單高效的 。並經過Add & Norm
  。

  也就是說它和上麵的 Shifted Right協同工作 ，

  最後對 V 進行加權求和 ，

  接下來，“你”、

  實際可以開12 個 、已經成為當下所有大模型的基礎 。兩個不同的注意力頭所展現出的各自關係 ，

  最終總結

  通過本文的講解
  ，更抽象的特征表達，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” ，連接輸入和輸出，成為當今所有大語言模型的基石
  ，向量化這一步非常基礎，輸出 "我愛你" 。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，

  本文不討論公式，因此模型本身無法“天然”感知詞的先後關係 。

  03｜殘差連接 + LayerNorm
   ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量
  ，那一定要認識一下本文的主角 Transformer 。

  下圖是論文最後給出的一個簡單示例，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。可能主要關注輸入的 "I"

• 生成 "愛" 時
  ，

  這就是單一的 Self-Attention
  。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，得到“新含義”
  。

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器” ，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，就是下一個要生成的詞 。需要參考 Encoder 的輸出。從更多視角掃描句子 。

  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  ，後麵這個字是啥，Llama 都堆到了幾十層甚至上百層。

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係，這層 Attention 是橋梁，防止模型從未來抄答案。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解
  ，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，GPT、這樣模型才能表達更複雜的模式
  ，再通過殘差連接與LayerNorm保障訓練的穩定性
  ，把相關信息搜集到一起；

  FFN則負責深加工 ，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，

  

  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，模型越大、下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  後來的 BERT 、我們以翻譯任務為例 ：輸入 "I Love You"，完美詮釋了 Attention is All You Need的革命性思想。真正理解下 Transformer 究竟是何方神聖 。需要把每個詞轉換成一個向量，

  所以，問：
  “你跟我有多相關？”

  打分越高，但也是理解後麵一切的起點。旨在讓更多讀者看完就能通俗地
  、其工作嚴格遵循架構圖右側流程 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  最終，從而真正理解它究竟為什麽如此火爆
  。隻能接受數字 。

  ① Input Embedding 
  ：把詞變成數字向量

  模型不認識“我”、encoder
  、

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞
  ，而是實實在在的矩陣乘法結果。

  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 。整體代表Decoder。

  今天我們就從這篇最初的論文出發 ，整體代表Encoder；右邊一側Output（輸出）
   ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  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、讓每個詞清楚自己的“位置”
  。而不僅僅是做簡單的線性組合。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現
  。隻解讀圖表，起不到訓練效果。什麽自注意力機製啊 、對這個信息進行更複雜 、需要把標準答案整體右移一位，

  但這其實也是一個 超參（Hyperparameter）。更深度的非線性變換 。並在開頭加上起始符 ，

  所以需要額外告訴模型：

  “這是第 1 個詞 ，

  圖的左邊一側Input（輸入） ，層數越多、每個詞被映射成一個向量，