別人吹完能和r看一文搞一年懂 L的 T

這就是單一的 Self-Attention。

最終，論文中的例子是並行開 8 個注意力頭。這層 Attention 是橋梁，

但這其實也是一個 超參（Hyperparameter）
。Llama 都堆到了幾十層甚至上百層。得到“新含義”。問 ：
“你跟我有多相關
？”

打分越高 ，

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 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” 
，

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，真正理解下 Transformer 究竟是何方神聖。每個注意力頭可以關注不同的視角，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 "I"

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） ，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，“你”、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 。也就是一組數字 ，就越關注這個詞。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，向量化這一步非常基礎，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現 。成體係地給身邊其他人講清楚 Transformer 工作原理 ，

今天我們就從這篇最初的論文出發
，

① Input Embedding ：把詞變成數字向量

模型不認識“我”、GPT 、什麽自注意力機製啊 、下麵我們就來一步步通俗理解下這張架構圖的深層含義。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  ，

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

② Shifted Right ：防止模型“偷看答案”

在模型訓練階段 ，整體代表Decoder。DeepSeek 背後的秘密 ，

③ Masked Multi-Head Attention：遮住未來

有同學說了，

又暈了？其實通俗來講就是 ：Attention 負責找關係，Transformer憑借這一高度並行 、同時又不需要多餘的訓練成本 。

接下來 ，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 ，

圖的左邊一側Input（輸入），因此模型本身無法“天然”感知詞的先後關係 。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 ，隻解讀圖表
，後麵這個字是啥，從而真正理解它究竟為什麽如此火爆。兩個不同的注意力頭所展現出的各自關係，

一般來講，

首先 ，逐詞生成”。

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，

04｜Feed Forward 網絡（FFN） ：進一步加工語義

Attention層負責廣撒網，

比如模型要開始做這張填空卷了 。而是實實在在的矩陣乘法結果
。

後來的 BERT 、

最後對 V 進行加權求和，直接抄就可以啊 ，

也就是說它和上麵的 Shifted Right協同工作，

所以需要額外告訴模型：

“這是第 1 個詞 ，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，卻很少有人能真正地說清楚
  。也能堆更多層。需要把標準答案整體右移一位，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”
   ，“貓”這些詞，並經過Add & Norm。上麵向右移一位沒啥意義呀
  ，而不僅僅是做簡單的線性組合 。對這個信息進行更複雜 、更深度的非線性變換 。

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，就是下一個要生成的詞
  。例如：

  我 → [0.12, -0.88, 0.43, ...]

  這裏簡化了精度方便閱讀 ，整體代表Encoder；右邊一側Output（輸出） ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構）
  ，

  本文不討論公式，

  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，

  所以
  ，最後由FFN進行深度非線性變換以增強特征表達。並再次經過Add & Norm 。隻能接受數字。共同確保了模型無法“偷看答案”。我們以翻譯任務為例  ：輸入 "I Love You"，encoder 、FFN 負責提升表達力。但也是理解後麵一切的起點 。理解力越強 。

  實際可以開12 個、用於後續計算 。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”
，

從更多視角掃描句子。

③ Q / K / V ：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一 。更抽象的特征表達，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，已經成為當下所有大模型的基礎
。需要參考 Encoder 的輸出。讓 Transformer 能分辨詞的“位置”  ，48 個甚至更多的注意力頭 ，

為了理解這個過程，

同樣通過一個FFN網絡進行深度加工
，仿佛人人都可以講些相關名詞出來，並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。讓每個詞清楚自己的“位置”。但若深入追問細節 ，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。但我們肯定還不能丟掉原始信息。

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention 
，每個詞被映射成一個向量 ，

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，

這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎。旨在讓更多讀者看完就能通俗地 、

最終總結

通過本文的講解，

下圖是論文最後給出的一個簡單示例，

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，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
 ，

05｜重複 N 次：論文是 6 層 ，

當提起 Transformer 這個話題時 ，decoder什麽的 ，那一定要認識一下本文的主角 Transformer。需要把每個詞轉換成一個向量 ，