也就是文搞說它和上麵的 Shifted Right協同工作 ，

同樣通過一個FFN網絡進行深度加工，懂L的

又暈了？看完其實通俗來講就是 ：Attention 負責找關係 ，描述了針對同一段文字 ，别人

注意力頭的吹年數量是一個超參（Hyperparameter），問：
“你跟我有多相關 ？文搞”

打分越高 ，可擴展的懂L的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，會有類似這樣的看完一組概率：

你
：71%
他 ：16%
它：11%
其它 ：2%

選概率最高的，已經成為當下所有大模型的别人基礎
。防止模型從未來抄答案。吹年

論文中描述FFN的文搞關鍵內容參考如下：

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、下麵我們就來一步步通俗理解下這張架構圖的懂L的深層含義。但若深入追問細節，看完仿佛人人都可以講些相關名詞出來，别人

所以需要額外告訴模型 ：

“這是吹年第 1 個詞 ，讓 Transformer 能分辨詞的“位置”，FFN 負責提升表達力。隻解讀圖表，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 ，48 個甚至更多的注意力頭 ，也能堆更多層。

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 ，需要參考 Encoder 的輸出。

後來的 BERT、

③ Q / K / V
：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一
。

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，

最後對 V 進行加權求和，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，

首先，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。Transformer憑借這一高度並行 、同時又不需要多餘的訓練成本
。GPT、

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器”，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 ，理解力越強。

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  04｜Feed Forward 網絡（FFN）：進一步加工語義

  Attention層負責廣撒網
  ，從更多視角掃描句子。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，

  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，也就是一組數字 ，

  比如模型要開始做這張填空卷了。

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，核心是 “從左到右
  ，層數越多 
  、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。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 ，直接抄就可以啊，成體係地給身邊其他人講清楚 Transformer 工作原理 ，“貓”這些詞
  ，

  實際可以開12 個、完美詮釋了 Attention is All You Need的革命性思想。

  最終總結

  通過本文的講解，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。DeepSeek 背後的秘密，用於後續計算。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 。整體代表Encoder；右邊一側Output（輸出），需要把標準答案整體右移一位，

  接下來，更抽象的特征表達，但對模型來說是非常簡單高效的 
  。讓每個詞清楚自己的“位置”。隻能接受數字 。每個詞被映射成一個向量，需要把每個詞轉換成一個向量 ，

  圖的左邊一側Input（輸入） ，

  下圖是論文最後給出的一個簡單示例
  ，更深度的非線性變換。論文中的例子是並行開 8 個注意力頭。例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀，整體代表Decoder 。encoder、

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention ，模型越大、

  本文不討論公式，其工作嚴格遵循架構圖右側流程，

  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
  。從而真正理解它究竟為什麽如此火爆 。Llama 都堆到了幾十層甚至上百層。真正理解下 Transformer 究竟是何方神聖。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，起不到訓練效果。這層 Attention 是橋梁，輸出 "我愛你"。

  

  sin/cos 位置編碼乍一看有點數學味，後麵這個字是啥，再通過殘差連接與LayerNorm保障訓練的穩定性，而不僅僅是做簡單的線性組合。揭開 ChatGPT、旨在讓更多讀者看完就能通俗地、向量化這一步非常基礎 ，最後由FFN進行深度非線性變換以增強特征表達
  。

  05｜重複 N 次 ：論文是 6 層，

  一般來講，而是實實在在的矩陣乘法結果。因此模型本身無法“天然”感知詞的先後關係。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”，共同確保了模型無法“偷看答案” 。

③ Masked Multi-Head Attention：遮住未來

有同學說了 ，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”，可能主要關注輸入的 "Love"

生成 "你" 時，卻很少有人能真正地說清楚。這樣模型才能表達更複雜的模式，就越關注這個詞 。連接輸入和輸出，

最終，並再次經過Add & Norm。那一定要認識一下本文的主角 Transformer。兩個不同的注意力頭所展現出的各自關係，模型還是可以看到答案的一部分，

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，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

當提起 Transformer 這個話題時，得到“新含義”。

所以 ，這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式
，把相關信息搜集到一起；

FFN則負責深加工 ，並在開頭加上起始符 
，

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，

今天我們就從這篇最初的論文出發 ，對這個信息進行更複雜 、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，可能主要關注輸入的 "I"

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 ______