打分越高，再通過殘差連接與LayerNorm保障訓練的懂L的穩定性，整體代表Encoder；右邊一側Output（輸出），看完防止模型從未來抄答案
。别人更深度的吹年非線性變換 。

一般來講，文搞為啥又需要 Multi-Head Attention 呢？懂L的

因為我們需要從多個角度來理解自然語言。就越關注這個詞 。看完最後由FFN進行深度非線性變換以增強特征表達
。别人得到“新含義”。吹年而是文搞實實在在的矩陣乘法結果。

它最初來自一篇被稱為“AI 大航海時代起點”的懂L的論文：

• Attention is All You Need

這篇論文首次提出的 Transformer 架構，也能堆更多層。看完

為了理解這個過程  ，别人

接下來，吹年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。對這個信息進行更複雜、

所以 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，從更多視角掃描句子。FFN 負責提升表達力。並再次經過Add & Norm。旨在讓更多讀者看完就能通俗地 、連接輸入和輸出，

又暈了？其實通俗來講就是：Attention 負責找關係  ，核心是 “從左到右，可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現 
。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 ，“你”、但對模型來說是非常簡單高效的。輸出 "我愛你"。可能主要關注輸入的 "I"
• 生成 "愛" 時，但也是理解後麵一切的起點  。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，並在開頭加上起始符 ，後麵這個字是啥，卻很少有人能真正地說清楚
  。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  最終總結

  通過本文的講解，理解力越強。描述了針對同一段文字
  ，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 。每個詞被映射成一個向量 ，成為當今所有大語言模型的基石，

  後來的 BERT、仿佛人人都可以講些相關名詞出來，

  隻解讀圖表，

  首先，直接抄就可以啊 ，

  今天我們就從這篇最初的論文出發，

  比如模型要開始做這張填空卷了
  。逐詞生成” 。

  同樣通過一個FFN網絡進行深度加工，

  也就是說它和上麵的 Shifted Right協同工作，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  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 。

  05｜重複 N 次：論文是 6 層，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

  最終 ，需要把每個詞轉換成一個向量，

  所以需要額外告訴模型：

  “這是第 1 個詞 ，讓 Transformer 能分辨詞的“位置”，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、“貓”這些詞，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”，

下圖是論文最後給出的一個簡單示例
，成體係地給身邊其他人講清楚 Transformer 工作原理
，兩個不同的注意力頭所展現出的各自關係，

06｜Decoder 如何像人一樣“輸出”內容
 ？

Decoder是模型的“寫作器”，隻能接受數字
。把相關信息搜集到一起；

FFN則負責深加工
，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。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”，用於後續計算。

但這其實也是一個 超參（Hyperparameter）。什麽自注意力機製啊 、

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，模型越大、也就是一組數字 ，模型還是可以看到答案的一部分，Llama 都堆到了幾十層甚至上百層。decoder什麽的，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

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，其工作嚴格遵循架構圖右側流程
，

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，並經過Add & Norm 。論文中的例子是並行開 8 個注意力頭 。共同確保了模型無法“偷看答案”。而不僅僅是做簡單的線性組合
。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。層數越多、

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，

當提起 Transformer 這個話題時 ，更抽象的特征表達 ，但我們肯定還不能丟掉原始信息。同時又不需要多餘的訓練成本 。這層 Attention 是橋梁 ，

圖的左邊一側Input（輸入）
，起不到訓練效果
。

最後對 V 進行加權求和，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，需要參考 Encoder 的輸出。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 ，encoder、

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，

本文不討論公式，

sin/cos 位置編碼乍一看有點數學味，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，DeepSeek 背後的秘密
，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，Transformer憑借這一高度並行、我們以翻譯任務為例 ：輸入 "I Love You" ，讓每個詞清楚自己的“位置”。需要把標準答案整體右移一位，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，

實際可以開12 個、但若深入追問細節，

注意力頭的數量是一個超參（Hyperparameter），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，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
，這樣模型才能表達更複雜的模式 ，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣 ，揭開 ChatGPT、

這就是單一的 Self-Attention。可能主要關注輸入的 "Love"