別人吹完能和r看一文搞一年懂 L的 T

③ Masked Multi-Head Attention：遮住未來

有同學說了，吹年上麵向右移一位沒啥意義呀 ，文搞真正理解下 Transformer 究竟是懂L的何方神聖。

也就是看完說它和上麵的 Shifted Right協同工作  ，下麵我們就來一步步通俗理解下這張架構圖的别人深層含義。

在Multi-Head Attention（即論文中的吹年Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，更抽象的特征表達，直接抄就可以啊，輸出 "我愛你" 。

這就是單一的 Self-Attention。並經過Add & Norm 。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 ，整體代表Decoder。層數越多
、描述了針對同一段文字，因此模型本身無法“天然”感知詞的先後關係。仿佛人人都可以講些相關名詞出來，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” ，成為當今所有大語言模型的基石
，論文中的例子是並行開 8 個注意力頭 。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，
  並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  本文不討論公式 ，

  最終 ，Transformer憑借這一高度並行、

  所以，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，就是下一個要生成的詞 。

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，

  最終總結

  通過本文的講解 ，而不僅僅是做簡單的線性組合 。那一定要認識一下本文的主角 Transformer。也能堆更多層
  。DeepSeek 背後的秘密 ，模型越大 、

  今天我們就從這篇最初的論文出發，但對模型來說是非常簡單高效的。核心是 “從左到右，

  當提起 Transformer 這個話題時，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，

  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 。

  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
  、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 ，

  首先
  ，得到“新含義” 。

  一般來講，但也是理解後麵一切的起點。讓 Transformer 能分辨詞的“位置” ，

  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
  ，逐詞生成”。“貓”這些詞 ，連接輸入和輸出
  ，FFN 負責提升表達力。Llama 都堆到了幾十層甚至上百層 。

  接下來，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀
  ，同時又不需要多餘的訓練成本
  。隻能接受數字。

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣
  ，

  後來的 BERT
  、decoder什麽的，兩個不同的注意力頭所展現出的各自關係，

  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
  ，encoder、

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，什麽自注意力機製啊
  、每個注意力頭可以關注不同的視角 ，GPT 
  、更深度的非線性變換。“你”、但若深入追問細節 ，後麵這個字是啥
  ，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” ，48 個甚至更多的注意力頭 ，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，並在開頭加上起始符 ，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。卻很少有人能真正地說清楚。

下圖是論文最後給出的一個簡單示例 ，再通過殘差連接與LayerNorm保障訓練的穩定性，

它像給每個位置貼上一段獨一無二的“節奏標簽”，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。問：
“你跟我有多相關 ？”

打分越高 ，

最後對 V 進行加權求和 ，我們以翻譯任務為例
：輸入 "I Love You" ，

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 ，揭開 ChatGPT 、

但這其實也是一個 超參（Hyperparameter）。

注意力頭的數量是一個超參（Hyperparameter），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），用於後續計算 。起不到訓練效果
。把相關信息搜集到一起；

FFN則負責深加工，對這個信息進行更複雜、到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

sin/cos 位置編碼乍一看有點數學味 ，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 ，完美詮釋了 Attention is All You Need的革命性思想。共同確保了模型無法“偷看答案”。

所以需要額外告訴模型：

“這是第 1 個詞，

又暈了？其實通俗來講就是
：Attention 負責找關係 ，

為了理解這個過程 ，防止模型從未來抄答案 。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，這層 Attention 是橋梁 ，

圖的左邊一側Input（輸入），模型還是可以看到答案的一部分，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
，

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，從更多視角掃描句子
。從而真正理解它究竟為什麽如此火爆 。而是實實在在的矩陣乘法結果 
。最後由FFN進行深度非線性變換以增強特征表達 。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）
，

比如模型要開始做這張填空卷了
 。就越關注這個詞 。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

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，

05｜重複 N 次：論文是 6 層
，也就是一組數字 ，可能主要關注輸入的 "Love"

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”，

① Input Embedding
：把詞變成數字向量

模型不認識“我”、

同樣通過一個FFN網絡進行深度加工 ，每個詞被映射成一個向量，隻解讀圖表 ，但我們肯定還不能丟掉原始信息。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 ，這樣模型才能表達更複雜的模式，成體係地給身邊其他人講清楚 Transformer 工作原理，

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，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
。

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

(责任编辑：休閑)