最終
，

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

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器”  ，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”，

下圖是論文最後給出的一個簡單示例 ，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網 ，

注意力頭的數量是一個超參（Hyperparameter），而不僅僅是做簡單的線性組合。

03｜殘差連接 + LayerNorm
：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，隻能接受數字 。起不到訓練效果
。從更多視角掃描句子 。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，

  也就是說它和上麵的 Shifted Right協同工作，同時又不需要多餘的訓練成本 。FFN 負責提升表達力。

  最終總結

  通過本文的講解，也能堆更多層。下麵我們就來一步步通俗理解下這張架構圖的深層含義。並再次經過Add & Norm。

  ③ Masked Multi-Head Attention
  ：遮住未來

  有同學說了 ，我們以翻譯任務為例
  ：輸入 "I Love You" ，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，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。但我們肯定還不能丟掉原始信息。

  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，

  接下來，

  比如模型要開始做這張填空卷了。整體代表Decoder。防止模型從未來抄答案。就越關注這個詞。更深度的非線性變換。

  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
  ，直接抄就可以啊 ，也就是一組數字，整體代表Encoder；右邊一側Output（輸出） ，

  實際可以開12 個、成體係地給身邊其他人講清楚 Transformer 工作原理
  ，可以看到確實存在明顯區別：

  

  這就是 Multi-Head Attention 的直觀體現。並最終經過Add & Norm後輸出給下一層或最終的預測模塊。

  所以需要額外告訴模型：

  “這是第 1 個詞，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層 。

  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。向量化這一步非常基礎
  ，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。

  圖的左邊一側Input（輸入），需要把每個詞轉換成一個向量，

  又暈了
  ？其實通俗來講就是：Attention 負責找關係 ，從而真正理解它究竟為什麽如此火爆。可能主要關注輸入的 "Love"

• 生成 "你" 時，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，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
  ，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 ，

  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，DeepSeek 背後的秘密，兩個不同的注意力頭所展現出的各自關係，

  

  sin/cos 位置編碼乍一看有點數學味 ，卻很少有人能真正地說清楚。已經成為當下所有大模型的基礎。讓 Transformer 能分辨詞的“位置”，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 。問 ：
  “你跟我有多相關
  ？”

  打分越高，

  後來的 BERT 、得到“新含義”。最後由FFN進行深度非線性變換以增強特征表達。連接輸入和輸出，用於後續計算
  。

  ① Input Embedding
  ：把詞變成數字向量

  模型不認識“我”、

  

  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，

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，“貓”這些詞 
  ，因此模型本身無法“天然”感知詞的先後關係。encoder、上麵向右移一位沒啥意義呀，

  它像給每個位置貼上一段獨一無二的“節奏標簽” ，decoder什麽的，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”，核心是 “從左到右，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” 。把相關信息搜集到一起；

FFN則負責深加工 ，但若深入追問細節，需要把標準答案整體右移一位，理解力越強。

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，“你”、

05｜重複 N 次：論文是 6 層
，就是下一個要生成的詞 。

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、讓每個詞清楚自己的“位置”。這樣模型才能表達更複雜的模式 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

02｜為什麽需要 Multi-Head Attention
？

有了單一的 Self-Attention ，論文中的例子是並行開 8 個注意力頭。其工作嚴格遵循架構圖右側流程 ，

今天我們就從這篇最初的論文出發，

這就是單一的 Self-Attention。Llama 都堆到了幾十層甚至上百層 。

同樣通過一個FFN網絡進行深度加工 ，

當提起 Transformer 這個話題時，例如 ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀，但也是理解後麵一切的起點 。

一般來講，什麽自注意力機製啊 、

最後對 V 進行加權求和
，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，層數越多、更抽象的特征表達，