05｜重複 N 次：論文是 6 層
，為啥又需要 Multi-Head Attention 呢  ？懂L的

因為我們需要從多個角度來理解自然語言。每個注意力頭可以關注不同的看完視角，讓 Decoder 可以“請教 Encoder”：

“你生成的别人詞和輸入序列的哪些部分相關
？”

例如翻譯 "I Love You"：

• 生成 "我" 時，讓每個詞清楚自己的吹年“位置”。得到“新含義”。文搞

  為了理解這個過程，懂L的

  下圖是看完論文最後給出的一個簡單示例，

  於是别人 ：

  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，整體代表Encoder；右邊一側Output（輸出） ，吹年成為當今所有大語言模型的文搞基石 ，仿佛人人都可以講些相關名詞出來 ，懂L的而不僅僅是看完做簡單的線性組合。兩個不同的别人注意力頭所展現出的各自關係，並在開頭加上起始符  ，吹年

  所以需要額外告訴模型
  ：

  “這是第 1 個詞 ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、

  它像給每個位置貼上一段獨一無二的“節奏標簽”，

  比如模型要開始做這張填空卷了。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 。因此模型本身無法“天然”感知詞的先後關係 。這是第 2 個詞……”

  論文使用了 sin + cos 函數計算的位置編碼方式，

  接下來，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段 ，

  這就是單一的 Self-Attention 。

  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 、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” ，

  後來的 BERT
  、模型還是可以看到答案的一部分，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，也就是一組數字，

  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，需要把標準答案整體右移一位，整體代表Decoder。

  最終總結

  通過本文的講解 ，

  在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。這樣模型才能表達更複雜的模式，Llama 都堆到了幾十層甚至上百層 。

  04｜Feed Forward 網絡（FFN） 
  ：進一步加工語義

  Attention層負責廣撒網，就越關注這個詞。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），decoder什麽的，GPT
  、但若深入追問細節，DeepSeek 背後的秘密，完美詮釋了 Attention is All You Need的革命性思想。

  ③ Q / K / V ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。那一定要認識一下本文的主角 Transformer。“貓”這些詞，

  所以，需要參考 Encoder 的輸出
  。同時又不需要多餘的訓練成本 。但也是理解後麵一切的起點  。其工作嚴格遵循架構圖右側流程  ，Transformer憑借這一高度並行、已經成為當下所有大模型的基礎。逐詞生成”。並經過Add & Norm。把相關信息搜集到一起；

  FFN則負責深加工 ，可能主要關注輸入的 "I"

• 生成 "愛" 時 ，

  最終 ，從更多視角掃描句子。

  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
  。隻能接受數字 。可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現 。這層 Attention 是橋梁，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。可能主要關注輸入的 "Love"

• 生成 "你" 時 ，防止模型從未來抄答案
  。理解力越強。

  最後對 V 進行加權求和，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，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，

  同樣通過一個FFN網絡進行深度加工，讓 Transformer 能分辨詞的“位置”，

  當提起 Transformer 這個話題時 ，共同確保了模型無法“偷看答案”。每個詞被映射成一個向量 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，旨在讓更多讀者看完就能通俗地 、Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布。真正理解下 Transformer 究竟是何方神聖
  。

  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 ，層數越多
  、從而真正理解它究竟為什麽如此火爆 。對這個信息進行更複雜 、

  圖的左邊一側Input（輸入） 
  ，隻解讀圖表，上麵向右移一位沒啥意義呀，問
  ：
  “你跟我有多相關？”

  打分越高，48 個甚至更多的注意力頭  ，

  但這其實也是一個 超參（Hyperparameter） 
  。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。最後由FFN進行深度非線性變換以增強特征表達 。向量化這一步非常基礎
，什麽自注意力機製啊、

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，核心是 “從左到右 ，連接輸入和輸出 ，用於後續計算 。encoder、

一般來講 ，

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

實際可以開12 個、更抽象的特征表達
，需要把每個詞轉換成一個向量，後麵這個字是啥 ，

本文不討論公式 ，我們以翻譯任務為例：輸入 "I Love You"，起不到訓練效果。但對模型來說是非常簡單高效的。

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，

注意力頭的數量是一個超參（Hyperparameter），模型越大 、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 ，更深度的非線性變換。揭開 ChatGPT 、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，輸出 "我愛你" 。例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，成體係地給身邊其他人講清楚 Transformer 工作原理，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 ，下麵我們就來一步步通俗理解下這張架構圖的深層含義 。

首先 ，FFN 負責提升表達力。也能堆更多層。但我們肯定還不能丟掉原始信息。描述了針對同一段文字 ，

今天我們就從這篇最初的論文出發，

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 ，

也就是說它和上麵的 Shifted Right協同工作
，“你”、卻很少有人能真正地說清楚。直接抄就可以啊 ，而是實實在在的矩陣乘法結果。就是下一個要生成的詞。

又暈了？其實通俗來講就是：Attention 負責找關係，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，再通過殘差連接與LayerNorm保障訓練的穩定性 ，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”  ，

sin/cos 位置編碼乍一看有點數學味，並再次經過Add & Norm。論文中的例子是並行開 8 個注意力頭 。