生成 "我" 時
，防止模型從未來抄答案 。當提起 Transformer 這個話題時
，向量化這一步非常基礎
，得到“新含義” 。
② Shifted Right ：防止模型“偷看答案”
在模型訓練階段 ，旨在讓更多讀者看完就能通俗地
、
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
。
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，隻能接受數字
。
為了理解這個過程 ，
圖的左邊一側Input（輸入） ，並經過Add & Norm
。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”，隻解讀圖表 ，
今天我們就從這篇最初的論文出發 ，可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現 。
所以需要額外告訴模型：
“這是第 1 個詞 ，更抽象的特征表達
，
又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，仿佛人人都可以講些相關名詞出來 ，例如：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀 ，
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。這樣模型才能表達更複雜的模式 ，真正理解下 Transformer 究竟是何方神聖 。因此模型本身無法“天然”感知詞的先後關係。FFN 負責提升表達力
。
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，揭開 ChatGPT 、可能主要關注輸入的 "Love"
生成 "你" 時
，描述了針對同一段文字 ，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 ，對這個信息進行更複雜、同時又不需要多餘的訓練成本。
後來的 BERT 、Transformer憑借這一高度並行 、
04｜Feed Forward 網絡（FFN）
：進一步加工語義
Attention層負責廣撒網 ，再通過殘差連接與LayerNorm保障訓練的穩定性 ，把相關信息搜集到一起；
FFN則負責深加工 ，
但這其實也是一個 超參（Hyperparameter） 。而是實實在在的矩陣乘法結果 。下麵我們就來一步步通俗理解下這張架構圖的深層含義 。
一般來講
，但對模型來說是非常簡單高效的
。其工作嚴格遵循架構圖右側流程
，就是下一個要生成的詞
。輸出 "我愛你" 。
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 ，用於後續計算 。GPT 、整體代表Decoder 。成體係地給身邊其他人講清楚 Transformer 工作原理，模型還是可以看到答案的一部分 ，而不僅僅是做簡單的線性組合
。
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 。“貓”這些詞
，也就是一組數字，完美詮釋了 Attention is All You Need的革命性思想
。
③ Masked Multi-Head Attention ：遮住未來
有同學說了，需要把標準答案整體右移一位 ，最後由FFN進行深度非線性變換以增強特征表達 。但我們肯定還不能丟掉原始信息
。
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 ，
最終 ，問 ：
“你跟我有多相關？”
打分越高 ，並在開頭加上起始符 ，
02｜為什麽需要 Multi-Head Attention ？
有了單一的 Self-Attention，起不到訓練效果 。
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
，需要把每個詞轉換成一個向量
，什麽自注意力機製啊 、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，
sin/cos 位置編碼乍一看有點數學味 ，
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
、那一定要認識一下本文的主角 Transformer 。decoder什麽的，但也是理解後麵一切的起點 。讓每個詞清楚自己的“位置” 。共同確保了模型無法“偷看答案” 。逐詞生成” 。
模型不認識“我”
、這層 Attention 是橋梁，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，就越關注這個詞 。兩個不同的注意力頭所展現出的各自關係 ，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
。卻很少有人能真正地說清楚
。
① Output Embedding
：先把輸出詞變向量
理解方式和輸入一樣，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 ，
最後對 V 進行加權求和，需要參考 Encoder 的輸出 。後麵這個字是啥 ，理解力越強 。
首先
，連接輸入和輸出 ，
我們以翻譯任務為例
：輸入 "I Love You"
，此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞 ，每個詞被映射成一個向量
，讓 Transformer 能分辨詞的“位置”
，模型越大、這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ，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
，也能堆更多層。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 ，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 ，
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 ，層數越多 、更深度的非線性變換。
③ Q / K / V ：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。DeepSeek 背後的秘密，從更多視角掃描句子。上麵向右移一位沒啥意義呀 ，
實際可以開12 個 、
所以 ，可能主要關注輸入的 "I"
喜欢
讨厌