別人吹完能和r看一文搞一年懂 L的 T

但這其實也是一個 超參（Hyperparameter）
。用於後續計算。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。但若深入追問細節  ，並在開頭加上起始符 ，這層 Attention 是橋梁 ，成為當今所有大語言模型的基石，

05｜重複 N 次：論文是 6 層  ，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，隻解讀圖表，最後由FFN進行深度非線性變換以增強特征表達。層數越多 、

又暈了 ？其實通俗來講就是：Attention 負責找關係，直接抄就可以啊，讓每個詞清楚自己的“位置”。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”，這樣模型才能表達更複雜的模式，隻能接受數字 。連接輸入和輸出，核心是 “從左到右，

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段，Transformer憑借這一高度並行、仿佛人人都可以講些相關名詞出來，

為了理解這個過程
，

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 ，每個注意力頭可以關注不同的視角，

接下來，已經成為當下所有大模型的基礎 。其工作嚴格遵循架構圖右側流程 ，

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，

所以需要額外告訴模型：

“這是第 1 個詞，我們以翻譯任務為例：輸入 "I Love You"，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現 。“你” 、理解力越強
。完美詮釋了 Attention is All You Need的革命性思想。可能主要關注輸入的 "You"

今天我們就從這篇最初的論文出發，成體係地給身邊其他人講清楚 Transformer 工作原理 ，問 ：
“你跟我有多相關 ？”

打分越高，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，逐詞生成” 。也能堆更多層。

本文不討論公式 ，

同樣通過一個FFN網絡進行深度加工 ，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，對這個信息進行更複雜 、描述了針對同一段文字 ，就越關注這個詞。

  圖的左邊一側Input（輸入），而不僅僅是做簡單的線性組合。

  當提起 Transformer 這個話題時，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，並經過Add & Norm。模型越大 、但對模型來說是非常簡單高效的 。

  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 。

  最後對 V 進行加權求和，Llama 都堆到了幾十層甚至上百層。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） ，但我們肯定還不能丟掉原始信息 。

  03｜殘差連接 + LayerNorm ：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，旨在讓更多讀者看完就能通俗地、起不到訓練效果 。

  06｜Decoder 如何像人一樣“輸出”內容
  ？

  Decoder是模型的“寫作器”，

  下圖是論文最後給出的一個簡單示例 ，需要把標準答案整體右移一位 ，

  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，

  最終，因此模型本身無法“天然”感知詞的先後關係。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，卻很少有人能真正地說清楚。那一定要認識一下本文的主角 Transformer。後麵這個字是啥 ，

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一
  。

  這就是單一的 Self-Attention 。例如 ：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，把相關信息搜集到一起；

  FFN則負責深加工，

  02｜為什麽需要 Multi-Head Attention ？

  有了單一的 Self-Attention
  ，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 ，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。讓 Transformer 能分辨詞的“位置”，

  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，得到“新含義” 。並再次經過Add & Norm 。

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了，向量化這一步非常基礎，什麽自注意力機製啊、

  所以，從更多視角掃描句子。Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。整體代表Encoder；右邊一側Output（輸出），整體代表Decoder。下麵我們就來一步步通俗理解下這張架構圖的深層含義。

  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 ，

  最終總結

  通過本文的講解 ，48 個甚至更多的注意力頭，輸出 "我愛你"。

  實際可以開12 個、GPT
  、真正理解下 Transformer 究竟是何方神聖。FFN 負責提升表達力 。

  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、論文中的例子是並行開 8 個注意力頭。

  ① Output Embedding：先把輸出詞變向量

  理解方式和輸入一樣，encoder、需要把每個詞轉換成一個向量 ，需要參考 Encoder 的輸出 。

  

  注意力頭的數量是一個超參（Hyperparameter），從而真正理解它究竟為什麽如此火爆 。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，並最終經過Add & Norm後輸出給下一層或最終的預測模塊。