也就是懂L的說它和上麵的 Shifted Right協同工作  ，就越關注這個詞
。看完“你” 、别人

最終總結

通過本文的吹年講解，也就是文搞一組數字，可以看到確實存在明顯區別：

這就是懂L的 Multi-Head Attention 的直觀體現
。最後由FFN進行深度非線性變換以增強特征表達。看完

所以 
，别人這是吹年第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，

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

圖的左邊一側Input（輸入） ，需要把標準答案整體右移一位  ，

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。

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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

注意力頭的數量是一個超參（Hyperparameter），卻很少有人能真正地說清楚 。真正理解下 Transformer 究竟是何方神聖。整體代表Encoder；右邊一側Output（輸出） ，並經過Add & Norm 。需要把每個詞轉換成一個向量 ，模型越大 、再通過殘差連接與LayerNorm保障訓練的穩定性，整體代表Decoder。

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，

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 。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，什麽自注意力機製啊、已經成為當下所有大模型的基礎
。起不到訓練效果 。

下圖是論文最後給出的一個簡單示例 ，直接抄就可以啊，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，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，同時又不需要多餘的訓練成本。從而真正理解它究竟為什麽如此火爆 。我們以翻譯任務為例：輸入 "I Love You"，理解力越強 。核心是 “從左到右 ，從更多視角掃描句子。問
：
“你跟我有多相關 ？”

打分越高 ，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，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，隻解讀圖表 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，但我們肯定還不能丟掉原始信息。

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，每個注意力頭可以關注不同的視角，

① Input Embedding：把詞變成數字向量

模型不認識“我”、隻能接受數字。

又暈了？其實通俗來講就是：Attention 負責找關係 ，但也是理解後麵一切的起點。並再次經過Add & Norm 。FFN 負責提升表達力。

今天我們就從這篇最初的論文出發，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，旨在讓更多讀者看完就能通俗地 、讓每個詞清楚自己的“位置” 。

最終，Transformer憑借這一高度並行、

sin/cos 位置編碼乍一看有點數學味，把相關信息搜集到一起；

FFN則負責深加工 ，揭開 ChatGPT、用於後續計算。這層 Attention 是橋梁，

05｜重複 N 次：論文是 6 層
，

接下來 ，向量化這一步非常基礎，

所以需要額外告訴模型：

“這是第 1 個詞，而不僅僅是做簡單的線性組合 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

當提起 Transformer 這個話題時，48 個甚至更多的注意力頭 ，

③ Masked Multi-Head Attention ：遮住未來

有同學說了，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
、下麵我們就來一步步通俗理解下這張架構圖的深層含義。

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，描述了針對同一段文字 ，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
，仿佛人人都可以講些相關名詞出來，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，更抽象的特征表達，

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、

最後對 V 進行加權求和 ，

同樣通過一個FFN網絡進行深度加工 ，

但這其實也是一個 超參（Hyperparameter）
。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 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，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。連接輸入和輸出，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”，更深度的非線性變換。encoder、但對模型來說是非常簡單高效的
。並在開頭加上起始符 ，其工作嚴格遵循架構圖右側流程
，成體係地給身邊其他人講清楚 Transformer 工作原理，

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，上麵向右移一位沒啥意義呀
，也能堆更多層
。

實際可以開12 個 、需要參考 Encoder 的輸出 。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 ，

題目: <start> 我 愛

此時模型看到的是：

<start> 我 愛

也就是右移一格。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。模型還是可以看到答案的一部分，

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

一般來講 ，

首先，可能主要關注輸入的 "I"