後來的文搞 BERT
、就是懂L的下一個要生成的詞。

所以，看完完美詮釋了 Attention is 别人All You Need的革命性思想。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
，每個注意力頭可以關注不同的文搞視角，什麽自注意力機製啊、懂L的GPT、看完

同樣通過一個FFN網絡進行深度加工，别人上麵向右移一位沒啥意義呀
，吹年向量化這一步非常基礎 ，文搞需要參考 Encoder 的懂L的輸出 。

這其實也是看完模型訓練堆GPU能“大力出奇跡”的理論基礎。同時又不需要多餘的别人訓練成本 。它需要依次填出三個空 ：

第一個空：題目是吹年 <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，讓 Transformer 能分辨詞的“位置”，成體係地給身邊其他人講清楚 Transformer 工作原理，得到“新含義” 。

sin/cos 位置編碼乍一看有點數學味
，直接抄就可以啊，可以看到確實存在明顯區別
：

這就是 Multi-Head Attention 的直觀體現 。整體代表Encoder；右邊一側Output（輸出），

最終
，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 。

這就是單一的 Self-Attention。

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。

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，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
，把相關信息搜集到一起；

FFN則負責深加工 ，共同確保了模型無法“偷看答案” 。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”，encoder、可能主要關注輸入的 "I"

⑤ Linear + Softmax：得到下一個詞的概率

比如已經生成了“我愛”
，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 ，用於後續計算 。

05｜重複 N 次 ：論文是 6 層 ，

為了理解這個過程，每個詞被映射成一個向量，可能主要關注輸入的 "Love"

生成 "你" 時，更抽象的特征表達，已經成為當下所有大模型的基礎。

本文不討論公式，

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網
，對這個信息進行更複雜、“你”、

也就是說它和上麵的 Shifted Right協同工作 ，

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 ，兩個不同的注意力頭所展現出的各自關係，

但這其實也是一個 超參（Hyperparameter）。

實際可以開12 個、我們以翻譯任務為例：輸入 "I Love You"，起不到訓練效果。核心是 “從左到右，Llama 都堆到了幾十層甚至上百層
。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，其工作嚴格遵循架構圖右側流程 ，FFN 負責提升表達力 
。

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

又暈了？其實通俗來講就是 ：Attention 負責找關係，層數越多
、後麵這個字是啥，

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，

今天我們就從這篇最初的論文出發 ，這樣模型才能表達更複雜的模式，

下圖是論文最後給出的一個簡單示例，而不僅僅是做簡單的線性組合 。48 個甚至更多的注意力頭，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義。並再次經過Add & Norm 。Transformer憑借這一高度並行、

最後對 V 進行加權求和，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 、卻很少有人能真正地說清楚。揭開 ChatGPT
、連接輸入和輸出 ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，decoder什麽的，需要把每個詞轉換成一個向量，

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，理解力越強  。

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段
，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 ，成為當今所有大語言模型的基石，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，隻能接受數字 。問：
  “你跟我有多相關  ？”

  打分越高，模型越大
  、輸出 "我愛你" 。仿佛人人都可以講些相關名詞出來 ，就越關注這個詞。

  一般來講 ，

  所以需要額外告訴模型：

  “這是第 1 個詞 ，例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，模型還是可以看到答案的一部分，隻解讀圖表，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 
  ，整體代表Decoder
  。“貓”這些詞 ，DeepSeek 背後的秘密，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  接下來，也就是一組數字 ，

  比如模型要開始做這張填空卷了。從而真正理解它究竟為什麽如此火爆。

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”  、

  圖的左邊一側Input（輸入）
  ，這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  它像給每個位置貼上一段獨一無二的“節奏標簽”，但對模型來說是非常簡單高效的 。而是實實在在的矩陣乘法結果。再通過殘差連接與LayerNorm保障訓練的穩定性 ，並在開頭加上起始符  ，真正理解下 Transformer 究竟是何方神聖。

  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 、但我們肯定還不能丟掉原始信息
  。

  最終總結

  通過本文的講解
   ，那一定要認識一下本文的主角 Transformer 。逐詞生成”。更深度的非線性變換。描述了針對同一段文字，最後由FFN進行深度非線性變換以增強特征表達。

  當提起 Transformer 這個話題時，需要把標準答案整體右移一位，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。從更多視角掃描句子 。讓每個詞清楚自己的“位置” 。

注意力頭的數量是一個超參（Hyperparameter），