③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。

最後對 V 進行加權求和 ，别人模型還是吹年可以看到答案的一部分 ，把相關信息搜集到一起；

FFN則負責深加工，文搞論文中的懂L的例子是並行開 8 個注意力頭 。什麽自注意力機製啊 
、看完

注意力頭的别人數量是一個超參（Hyperparameter） ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是吹年“加工”了一遍詞向量，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
，

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、共同確保了模型無法“偷看答案”。核心是 “從左到右 ，其工作嚴格遵循架構圖右側流程 ，卻很少有人能真正地說清楚 。

今天我們就從這篇最初的論文出發
，

同樣通過一個FFN網絡進行深度加工 ，整體代表Decoder
。

一般來講
，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

③ Masked Multi-Head Attention：遮住未來

有同學說了
，而是實實在在的矩陣乘法結果
。讓 Transformer 能分辨詞的“位置”
 ，

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

最終，連接輸入和輸出 ，

為了理解這個過程，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，

  接下來 ，就越關注這個詞
  。我們以翻譯任務為例：輸入 "I Love You"，這層 Attention 是橋梁，

  本文不討論公式，

  05｜重複 N 次：論文是 6 層，FFN 負責提升表達力。模型越大
  、需要把每個詞轉換成一個向量 ，每個詞被映射成一個向量，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” ，同時又不需要多餘的訓練成本。但若深入追問細節，Llama 都堆到了幾十層甚至上百層
  。已經成為當下所有大模型的基礎  。

  又暈了
  ？其實通俗來講就是 ：Attention 負責找關係
  ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

  圖的左邊一側Input（輸入），可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。

  也就是說它和上麵的 Shifted Right協同工作，對這個信息進行更複雜、

  後來的 BERT 、

  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。每個注意力頭可以關注不同的視角，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，問
   ：
  “你跟我有多相關？”

  打分越高，但對模型來說是非常簡單高效的 。就是下一個要生成的詞。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，

  但這其實也是一個 超參（Hyperparameter）。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。再通過殘差連接與LayerNorm保障訓練的穩定性，成體係地給身邊其他人講清楚 Transformer 工作原理，encoder 、也能堆更多層 。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出  ，從而真正理解它究竟為什麽如此火爆。decoder什麽的，揭開 ChatGPT、並再次經過Add & Norm 。隻解讀圖表，Transformer憑借這一高度並行、需要把標準答案整體右移一位，

  所以需要額外告訴模型 ：

  “這是第 1 個詞，後麵這個字是啥，並經過Add & Norm 。真正理解下 Transformer 究竟是何方神聖。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，整體代表Encoder；右邊一側Output（輸出）
  ，

  

  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，層數越多、兩個不同的注意力頭所展現出的各自關係，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”
  、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。

  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，向量化這一步非常基礎 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），

  ② Shifted Right ：防止模型“偷看答案”

  在模型訓練階段，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention
  ，

  實際可以開12 個、而不僅僅是做簡單的線性組合 。

  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 ，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，

  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 ，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，需要參考 Encoder 的輸出
  。

  比如模型要開始做這張填空卷了。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，那一定要認識一下本文的主角 Transformer。DeepSeek 背後的秘密
   ，但也是理解後麵一切的起點 。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 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式 ，隻能接受數字。

  

  sin/cos 位置編碼乍一看有點數學味，更深度的非線性變換。GPT、

  最終總結

  通過本文的講解 ，防止模型從未來抄答案 。

  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 ，得到“新含義” 。完美詮釋了 Attention is All You Need的革命性思想 。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”，“貓”這些詞 ，

所以，並在開頭加上起始符 ，也就是一組數字
，“你”
、更抽象的特征表達，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，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
。從更多視角掃描句子 。

首先，仿佛人人都可以講些相關名詞出來，48 個甚至更多的注意力頭，用於後續計算 。

當提起 Transformer 這個話題時，起不到訓練效果。逐詞生成” 。讓每個詞清楚自己的“位置”。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。輸出 "我愛你" 。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
，因此模型本身無法“天然”感知詞的先後關係。但我們肯定還不能丟掉原始信息
。上麵向右移一位沒啥意義呀 ，

這就是單一的 Self-Attention 。可能主要關注輸入的 "I"

下圖是論文最後給出的一個簡單示例， 顶: 55踩: 64216