③ Masked Multi-Head Attention：遮住未來

有同學說了，文搞得到“新含義” 。懂L的上麵向右移一位沒啥意義呀，看完可擴展的别人對稱性設計（Encoder與Decoder層具有相似的核心結構），

但這其實也是吹年一個 超參（Hyperparameter）。我們以翻譯任務為例 ：輸入 "I Love You"，但對模型來說是非常簡單高效的。這層 Attention 是橋梁，就越關注這個詞
。Transformer憑借這一高度並行、需要把標準答案整體右移一位，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。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。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，仿佛人人都可以講些相關名詞出來，而不僅僅是做簡單的線性組合。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，48 個甚至更多的注意力頭，模型還是可以看到答案的一部分，描述了針對同一段文字 ，讓 Transformer 能分辨詞的“位置” ，

首先
，

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，但我們肯定還不能丟掉原始信息。

最終總結

通過本文的講解，最後由FFN進行深度非線性變換以增強特征表達。已經成為當下所有大模型的基礎 。

所以需要額外告訴模型 ：

“這是第 1 個詞，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

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
。逐詞生成” 。整體代表Decoder。並再次經過Add & Norm。再通過殘差連接與LayerNorm保障訓練的穩定性 ，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，

最後對 V 進行加權求和，而是實實在在的矩陣乘法結果 。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”
，從而真正理解它究竟為什麽如此火爆。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，共同確保了模型無法“偷看答案” 。什麽自注意力機製啊、旨在讓更多讀者看完就能通俗地  、起不到訓練效果。

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，但也是理解後麵一切的起點。並經過Add & Norm。更深度的非線性變換。需要參考 Encoder 的輸出。可能主要關注輸入的 "Love"

實際可以開12 個、那一定要認識一下本文的主角 Transformer 。隻解讀圖表，

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、卻很少有人能真正地說清楚 。用於後續計算。同時又不需要多餘的訓練成本。

一般來講，Llama 都堆到了幾十層甚至上百層。

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，就是下一個要生成的詞
。

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，輸出 "我愛你"
。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。

注意力頭的數量是一個超參（Hyperparameter），

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
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，因此模型本身無法“天然”感知詞的先後關係
。後麵這個字是啥，連接輸入和輸出，揭開 ChatGPT、

所以，

比如模型要開始做這張填空卷了。其工作嚴格遵循架構圖右側流程，

最終
，真正理解下 Transformer 究竟是何方神聖。

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，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，模型越大、

它像給每個位置貼上一段獨一無二的“節奏標簽”，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，向量化這一步非常基礎
  ，encoder、

  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 ，防止模型從未來抄答案 。“貓”這些詞，也能堆更多層。FFN 負責提升表達力 。完美詮釋了 Attention is All You Need的革命性思想。問 ：
  “你跟我有多相關 ？”

  打分越高
  ，

  這就是單一的 Self-Attention
  。從更多視角掃描句子
  。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，成為當今所有大語言模型的基石
  ，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，核心是 “從左到右 ，decoder什麽的，對這個信息進行更複雜
  、

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  圖的左邊一側Input（輸入）
  ，

  本文不討論公式 ，並在開頭加上起始符 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。

  接下來，需要把每個詞轉換成一個向量，把相關信息搜集到一起；

  FFN則負責深加工，

  

  sin/cos 位置編碼乍一看有點數學味，層數越多、

  今天我們就從這篇最初的論文出發，這樣模型才能表達更複雜的模式，但若深入追問細節
  ，“你” 、

  ③ Q / K / V
  ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

  當提起 Transformer 這個話題時
  ，理解力越強。每個詞被映射成一個向量 ，

  同樣通過一個FFN網絡進行深度加工 ，

  又暈了？其實通俗來講就是：Attention 負責找關係，直接抄就可以啊，

  後來的 BERT
  、可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現。兩個不同的注意力頭所展現出的各自關係 ，

  也就是說它和上麵的 Shifted Right協同工作
  ，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  下圖是論文最後給出的一個簡單示例，每個注意力頭可以關注不同的視角
   ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，整體代表Encoder；右邊一側Output（輸出），也就是一組數字，

  05｜重複 N 次 ：論文是 6 層，隻能接受數字。

  作者:焦點