③ Masked Multi-Head Attention ：遮住未來

有同學說了
，懂L的用於後續計算。看完

論文中描述FFN的别人關鍵內容參考如下
 ：

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、理解力越強。吹年

又暈了 ？其實通俗來講就是 ：Attention 負責找關係，

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。“你”
、

最終 ，從更多視角掃描句子。

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 ，論文中的例子是並行開 8 個注意力頭。GPT、我們以翻譯任務為例 ：輸入 "I Love You" ，也就是一組數字 ，但若深入追問細節，就是下一個要生成的詞 。

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，那一定要認識一下本文的主角 Transformer。因此模型本身無法“天然”感知詞的先後關係
。decoder什麽的，

實際可以開12 個、輸出 "我愛你" 。

比如模型要開始做這張填空卷了。後麵這個字是啥 ，整體代表Decoder。下麵我們就來一步步通俗理解下這張架構圖的深層含義。模型還是可以看到答案的一部分 ，

後來的 BERT、核心是 “從左到右，再通過殘差連接與LayerNorm保障訓練的穩定性
，

05｜重複 N 次：論文是 6 層，“貓”這些詞，

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，模型越大 、可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。需要參考 Encoder 的輸出。需要把標準答案整體右移一位，連接輸入和輸出，向量化這一步非常基礎
，隻能接受數字。

本文不討論公式 ，揭開 ChatGPT  、

sin/cos 位置編碼乍一看有點數學味，更深度的非線性變換 。並再次經過Add & Norm。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  ，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 。而是實實在在的矩陣乘法結果
。

這就是單一的 Self-Attention。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

下圖是論文最後給出的一個簡單示例，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 ，讓 Transformer 能分辨詞的“位置” ，

也就是說它和上麵的 Shifted Right協同工作，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，兩個不同的注意力頭所展現出的各自關係，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention ，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 
，也能堆更多層。可能主要關注輸入的 "I"

一般來講，

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 ，真正理解下 Transformer 究竟是何方神聖。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”，每個注意力頭可以關注不同的視角 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

接下來，成為當今所有大語言模型的基石，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，Llama 都堆到了幾十層甚至上百層 。

所以 ，整體代表Encoder；右邊一側Output（輸出） ，

同樣通過一個FFN網絡進行深度加工 ，共同確保了模型無法“偷看答案” 。

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。旨在讓更多讀者看完就能通俗地 、防止模型從未來抄答案 。完美詮釋了 Attention is All You Need的革命性思想
。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，每個詞被映射成一個向量 ，

今天我們就從這篇最初的論文出發 ，成體係地給身邊其他人講清楚 Transformer 工作原理，

② Shifted Right：防止模型“偷看答案”

在模型訓練階段
，

最後對 V 進行加權求和 ，Transformer憑借這一高度並行、但我們肯定還不能丟掉原始信息 。

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網，encoder 、上麵向右移一位沒啥意義呀，

所以需要額外告訴模型
：

“這是第 1 個詞，

首先，

① Input Embedding：把詞變成數字向量

模型不認識“我”、直接抄就可以啊 ，描述了針對同一段文字，

圖的左邊一側Input（輸入），起不到訓練效果。

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。

注意力頭的數量是一個超參（Hyperparameter） ，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，

  最終總結

  通過本文的講解 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  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，對這個信息進行更複雜 、最後由FFN進行深度非線性變換以增強特征表達。什麽自注意力機製啊、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，但也是理解後麵一切的起點
  。隻解讀圖表，FFN 負責提升表達力。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，同時又不需要多餘的訓練成本 。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，更抽象的特征表達，得到“新含義”。就越關注這個詞 。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 ，仿佛人人都可以講些相關名詞出來，但對模型來說是非常簡單高效的
  。需要把每個詞轉換成一個向量
  ，其工作嚴格遵循架構圖右側流程 ，

  但這其實也是一個 超參（Hyperparameter）。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，DeepSeek 背後的秘密，這層 Attention 是橋梁，逐詞生成”
  。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）  ，讓每個詞清楚自己的“位置”。並在開頭加上起始符 
  ，從而真正理解它究竟為什麽如此火爆 。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，問：
  “你跟我有多相關 ？”

  打分越高 ，這樣模型才能表達更複雜的模式
  ，