生成 "我" 時，最後由FFN進行深度非線性變換以增強特征表達 。“你”、當提起 Transformer 這個話題時 ，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，而是實實在在的矩陣乘法結果
。並在開頭加上起始符 ，共同確保了模型無法“偷看答案”。什麽自注意力機製啊
、並再次經過Add & Norm
。48 個甚至更多的注意力頭，
03｜殘差連接 + LayerNorm：讓訓練更穩定
Self-Attention 隻是“加工”了一遍詞向量 ，整體代表Encoder；右邊一側Output（輸出），
它像給每個位置貼上一段獨一無二的“節奏標簽” ，需要把標準答案整體右移一位 ，
為了理解這個過程 ，encoder 、
在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出
，
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
，
06｜Decoder 如何像人一樣“輸出”內容？
Decoder是模型的“寫作器” ，但也是理解後麵一切的起點。因此模型本身無法“天然”感知詞的先後關係。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，
最終總結
通過本文的講解 ，
如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，GPT 、
最後對 V 進行加權求和 ，可以看到確實存在明顯區別 ：
這就是 Multi-Head Attention 的直觀體現 。逐詞生成”
。
這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。直接抄就可以啊 ，
最終 ，
今天我們就從這篇最初的論文出發，那一定要認識一下本文的主角 Transformer 。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 。
下圖是論文最後給出的一個簡單示例，“貓”這些詞，輸出 "我愛你" 。旨在讓更多讀者看完就能通俗地 、起不到訓練效果。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” ，
同樣通過一個FFN網絡進行深度加工
，例如
：
我 → [0.12, -0.88, 0.43, ...]
這裏簡化了精度方便閱讀
，
① Output Embedding ：先把輸出詞變向量
理解方式和輸入一樣，層數越多
、對這個信息進行更複雜、可能主要關注輸入的 "Love"
生成 "你" 時，這是第 2 個詞……”論文使用了 sin + cos 函數計算的位置編碼方式，需要把每個詞轉換成一個向量 ，
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 。也能堆更多層。把相關信息搜集到一起；
FFN則負責深加工
，
接下來 ，
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
，就越關注這個詞
。
② Shifted Right
：防止模型“偷看答案”
在模型訓練階段
，也就是一組數字 ，
但這其實也是一個 超參（Hyperparameter） 。但對模型來說是非常簡單高效的 。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。這樣模型才能表達更複雜的模式
，FFN 負責提升表達力
。問 ：
“你跟我有多相關 ？”
打分越高，
04｜Feed Forward 網絡（FFN）
：進一步加工語義
Attention層負責廣撒網 ，理解力越強。可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），連接輸入和輸出
，得到“新含義”。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 ，
③ Masked Multi-Head Attention
：遮住未來
有同學說了 ，用於後續計算 。
隻能接受數字 。後來的 BERT 、
本文不討論公式 ，從更多視角掃描句子 。這層 Attention 是橋梁，
圖的左邊一側Input（輸入）
，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
，
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 ，完美詮釋了 Attention is All You Need的革命性思想。
首先
，
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 ，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
，成為當今所有大語言模型的基石
，同時又不需要多餘的訓練成本。
比如模型要開始做這張填空卷了 。DeepSeek 背後的秘密
，
模型不認識“我” 、並經過Add & Norm
。防止模型從未來抄答案 。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
，需要參考 Encoder 的輸出 。
又暈了？其實通俗來講就是
：Attention 負責找關係 ，每個注意力頭可以關注不同的視角
，論文中的例子是並行開 8 個注意力頭。模型越大
、但若深入追問細節，
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
，可能主要關注輸入的 "I"
喜欢
讨厌