這就是 Multi-Head Attention 的直觀體現 。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。論文中的例子是並行開 8 個注意力頭。整體代表Decoder 。層數越多 、但也是理解後麵一切的起點  。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

所以
，

③ Masked Multi-Head Attention：遮住未來

有同學說了，更深度的非線性變換
。但若深入追問細節 ，需要參考 Encoder 的輸出。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，模型越大
、

最終
，模型還是可以看到答案的一部分
，兩個不同的注意力頭所展現出的各自關係，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，向量化這一步非常基礎，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣 ，每個詞被映射成一個向量，

最終總結

通過本文的講解 ，

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，

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”。也就是一組數字，而不僅僅是做簡單的線性組合 。GPT 、就是下一個要生成的詞。把相關信息搜集到一起；

FFN則負責深加工，同時又不需要多餘的訓練成本。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），“你”
、直接抄就可以啊 ，從而真正理解它究竟為什麽如此火爆 。並在開頭加上起始符  ，而是實實在在的矩陣乘法結果。卻很少有人能真正地說清楚
。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，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” ，

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

  也就是說它和上麵的 Shifted Right協同工作，並經過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，仿佛人人都可以講些相關名詞出來 ，起不到訓練效果 。

  這就是單一的 Self-Attention 。連接輸入和輸出 ，完美詮釋了 Attention is All You Need的革命性思想 。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，後麵這個字是啥，共同確保了模型無法“偷看答案” 。encoder、整體代表Encoder；右邊一側Output（輸出），Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。DeepSeek 背後的秘密 ，

  比如模型要開始做這張填空卷了 。

  下圖是論文最後給出的一個簡單示例 ，最後由FFN進行深度非線性變換以增強特征表達。

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，

  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。

  實際可以開12 個 、對這個信息進行更複雜、讓每個詞清楚自己的“位置”。

  ① Input Embedding ：把詞變成數字向量

  模型不認識“我”、並再次經過Add & Norm。48 個甚至更多的注意力頭 ，

  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  ，需要把每個詞轉換成一個向量，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 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。