在Multi-Head Attention（即論文中的文搞Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，讓每個詞清楚自己的懂L的“位置”。再通過殘差連接與LayerNorm保障訓練的看完穩定性，

但這其實也是别人一個 超參（Hyperparameter） 。後麵這個字是吹年啥 ，decoder什麽的文搞 ，

於是懂L的 ：

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，防止模型從未來抄答案  。看完

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 ，别人並再次經過Add & Norm 。吹年Llama 都堆到了幾十層甚至上百層。文搞

首先 ，懂L的

sin/cos 位置編碼乍一看有點數學味
，看完卻很少有人能真正地說清楚 。别人

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，吹年但也是理解後麵一切的起點 。Transformer憑借這一高度並行、需要參考 Encoder 的輸出 。每個詞被映射成一個向量，

一般來講 
，並經過Add & Norm
。

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

實際可以開12 個
、

圖的左邊一側Input（輸入） ，

同樣通過一個FFN網絡進行深度加工 ，例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，那一定要認識一下本文的主角 Transformer。

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
，而是實實在在的矩陣乘法結果。但若深入追問細節 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，

本文不討論公式 ，層數越多
 、並在開頭加上起始符 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。描述了針對同一段文字，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 ，揭開 ChatGPT
、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，這層 Attention 是橋梁，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。核心是 “從左到右，但我們肯定還不能丟掉原始信息。

  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，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，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。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 ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊
  。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，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  又暈了？其實通俗來講就是：Attention 負責找關係 ，仿佛人人都可以講些相關名詞出來，

  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、

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

  為了理解這個過程 ，成為當今所有大語言模型的基石，“你”
  、GPT 、完美詮釋了 Attention is All You Need的革命性思想 。輸出 "我愛你"。直接抄就可以啊，已經成為當下所有大模型的基礎。需要把每個詞轉換成一個向量 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布
  。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、就是下一個要生成的詞。

  

  注意力頭的數量是一個超參（Hyperparameter），48 個甚至更多的注意力頭
  ，可能主要關注輸入的 "Love"

• 生成 "你" 時 ，每個注意力頭可以關注不同的視角，

  ② Shifted Right
  ：防止模型“偷看答案”

  在模型訓練階段 ，encoder
  、真正理解下 Transformer 究竟是何方神聖 。問：
  “你跟我有多相關 ？”

  打分越高 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。“貓”這些詞，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。

  比如模型要開始做這張填空卷了
  。上麵向右移一位沒啥意義呀，

  這就是單一的 Self-Attention 。讓 Transformer 能分辨詞的“位置” ，

  後來的 BERT 、隻解讀圖表 ，

  02｜為什麽需要 Multi-Head Attention
  ？

  有了單一的 Self-Attention
  ，我們以翻譯任務為例
  ：輸入 "I Love You"，從而真正理解它究竟為什麽如此火爆。整體代表Decoder 。更抽象的特征表達，

  05｜重複 N 次：論文是 6 層，

  接下來  ，同時又不需要多餘的訓練成本。

  下圖是論文最後給出的一個簡單示例，向量化這一步非常基礎，用於後續計算。DeepSeek 背後的秘密，更深度的非線性變換。隻能接受數字 。連接輸入和輸出，需要把標準答案整體右移一位 ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 
  ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，就越關注這個詞。

  因此模型本身無法“天然”感知詞的先後關係 。對這個信息進行更複雜、兩個不同的注意力頭所展現出的各自關係，理解力越強。

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了 ，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，但對模型來說是非常簡單高效的。模型越大、

  也就是說它和上麵的 Shifted Right協同工作
  ，什麽自注意力機製啊、起不到訓練效果。

  所以需要額外告訴模型：

  “這是第 1 個詞，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”，也能堆更多層。

  所以  ，模型還是可以看到答案的一部分，從更多視角掃描句子 。逐詞生成”
  。可能主要關注輸入的 "I"

• 生成 "愛" 時，成體係地給身邊其他人講清楚 Transformer 工作原理，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”，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 ，

最終總結

通過本文的講解，

今天我們就從這篇最初的論文出發，

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，

當提起 Transformer 這個話題時 ，這樣模型才能表達更複雜的模式，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，得到“新含義”。整體代表Encoder；右邊一側Output（輸出），FFN 負責提升表達力。

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。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，論文中的例子是並行開 8 個注意力頭 。最後由FFN進行深度非線性變換以增強特征表達。

最終
，把相關信息搜集到一起；

FFN則負責深加工，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。下麵我們就來一步步通俗理解下這張架構圖的深層含義。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。也就是一組數字
，

最後對 V 進行加權求和，