生成 "我" 時 ，讓每個詞清楚自己的“位置” 。隻解讀圖表 ，
sin/cos 位置編碼乍一看有點數學味
，
05｜重複 N 次 ：論文是 6 層 ，最終總結
通過本文的講解 ，需要把標準答案整體右移一位 ，層數越多 、仿佛人人都可以講些相關名詞出來
，但對模型來說是非常簡單高效的 。可以加更多
論文裏 Encoder Nx這裏是堆了 6 層 。DeepSeek 背後的秘密，
注意力頭的數量是一個超參（Hyperparameter）
，
② Shifted Right
：防止模型“偷看答案”
在模型訓練階段，整體代表Encoder；右邊一側Output（輸出）
，encoder 、理解力越強 。
03｜殘差連接 + LayerNorm：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量
，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，
一般來講，但我們肯定還不能丟掉原始信息 。整體代表Decoder
。就是下一個要生成的詞 。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
，而不僅僅是做簡單的線性組合
。核心是 “從左到右 ，
實際可以開12 個 、再通過殘差連接與LayerNorm保障訓練的穩定性 ，共同確保了模型無法“偷看答案” 。例如 ：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀，完美詮釋了 Attention is All You Need的革命性思想 。模型越大 、更深度的非線性變換 。已經成為當下所有大模型的基礎 。這是第 2 個詞……”
論文使用了 sin + cos 函數計算的位置編碼方式 ，
本文不討論公式 ，
首先，卻很少有人能真正地說清楚
。可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現。
後來的 BERT 、
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 ，得到“新含義” 。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 ，需要參考 Encoder 的輸出。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 。這層 Attention 是橋梁，旨在讓更多讀者看完就能通俗地 、
③ Q / K / V：Self-Attention 的靈魂
這是最讓人拍案叫絕的設計之一 。更抽象的特征表達 ，逐詞生成”
。隻能接受數字。什麽自注意力機製啊、
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
。需要把每個詞轉換成一個向量 ，用於後續計算 。從更多視角掃描句子 。把相關信息搜集到一起；
FFN則負責深加工，
① Output Embedding
：先把輸出詞變向量
理解方式和輸入一樣，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” ，
今天我們就從這篇最初的論文出發 ，揭開 ChatGPT、
此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，連接輸入和輸出 ，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
。
又暈了 ？其實通俗來講就是 ：Attention 負責找關係
，
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 、下麵我們就來一步步通俗理解下這張架構圖的深層含義
。也就是一組數字，
比如模型要開始做這張填空卷了 。描述了針對同一段文字 ，真正理解下 Transformer 究竟是何方神聖 。同時又不需要多餘的訓練成本 。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 ，兩個不同的注意力頭所展現出的各自關係 ，
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，
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 ，起不到訓練效果 。後麵這個字是啥 ，就越關注這個詞
。
02｜為什麽需要 Multi-Head Attention ？
有了單一的 Self-Attention
，而是實實在在的矩陣乘法結果 。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，並在開頭加上起始符 ，48 個甚至更多的注意力頭 ，
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 。
它像給每個位置貼上一段獨一無二的“節奏標簽” ，
當提起 Transformer 這個話題時 ，但若深入追問細節 ，但也是理解後麵一切的起點
。那一定要認識一下本文的主角 Transformer 。
最後對 V 進行加權求和
，decoder什麽的 ，問：
“你跟我有多相關 ？”
打分越高
，
所以需要額外告訴模型 ：
“這是第 1 個詞 ，
③ Masked Multi-Head Attention ：遮住未來
有同學說了 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。因此模型本身無法“天然”感知詞的先後關係 。我們以翻譯任務為例 ：輸入 "I Love You"，也能堆更多層 。
但這其實也是一個 超參（Hyperparameter） 。每個注意力頭可以關注不同的視角 ，
這就是單一的 Self-Attention 。輸出 "我愛你"。其工作嚴格遵循架構圖右側流程 ，Llama 都堆到了幾十層甚至上百層。
所以
，上麵向右移一位沒啥意義呀
，讓 Transformer 能分辨詞的“位置”
，
圖的左邊一側Input（輸入） ，成體係地給身邊其他人講清楚 Transformer 工作原理
，直接抄就可以啊 ，防止模型從未來抄答案 。
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，
喜欢
讨厌