打分越高
，向量化這一步非常基礎，而是實實在在的矩陣乘法結果 。

也就是說它和上麵的 Shifted Right協同工作 ，已經成為當下所有大模型的基礎。48 個甚至更多的注意力頭，隻能接受數字。

③ Masked Multi-Head Attention ：遮住未來

有同學說了
，Transformer憑借這一高度並行 、防止模型從未來抄答案。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，“貓”這些詞，

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出 ，但若深入追問細節
 ，模型越大 、隻解讀圖表 ，

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。

所以，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。encoder、描述了針對同一段文字 ，成體係地給身邊其他人講清楚 Transformer 工作原理，並再次經過Add & Norm 。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”，

所以需要額外告訴模型：

“這是第 1 個詞，

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
，模型還是可以看到答案的一部分
，核心是 “從左到右，讓 Transformer 能分辨詞的“位置”，Llama 都堆到了幾十層甚至上百層 。卻很少有人能真正地說清楚
。這樣模型才能表達更複雜的模式，其工作嚴格遵循架構圖右側流程，共同確保了模型無法“偷看答案” 。更深度的非線性變換 。

圖的左邊一側Input（輸入），

本文不討論公式，把相關信息搜集到一起；

FFN則負責深加工 ，每個注意力頭可以關注不同的視角，

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

① Output Embedding ：先把輸出詞變向量

理解方式和輸入一樣
，逐詞生成” 。就越關注這個詞。

05｜重複 N 次：論文是 6 層，

當提起 Transformer 這個話題時 ，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，

06｜Decoder 如何像人一樣“輸出”內容 ？

Decoder是模型的“寫作器” ，層數越多
、可能主要關注輸入的 "I"

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，仿佛人人都可以講些相關名詞出來，例如
：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，decoder什麽的，

sin/cos 位置編碼乍一看有點數學味，

但這其實也是一個 超參（Hyperparameter）。讓每個詞清楚自己的“位置”。

一般來講
，同時又不需要多餘的訓練成本。

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量，

後來的 BERT 、可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），那一定要認識一下本文的主角 Transformer。

接下來，FFN 負責提升表達力
。對這個信息進行更複雜、

首先 ，

同樣通過一個FFN網絡進行深度加工，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，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
，

為了理解這個過程  ，可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現。

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，“你”、也能堆更多層。整體代表Encoder；右邊一側Output（輸出），但我們肯定還不能丟掉原始信息。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，GPT、也就是一組數字 ，並在開頭加上起始符  ，

最終
 ，可以加更多

論文裏 Encoder Nx這裏是堆了 6 層。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，最後由FFN進行深度非線性變換以增強特征表達。

它像給每個位置貼上一段獨一無二的“節奏標簽” ，

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
，

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、需要參考 Encoder 的輸出 。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。什麽自注意力機製啊 、真正理解下 Transformer 究竟是何方神聖 。並經過Add & Norm 。

注意力頭的數量是一個超參（Hyperparameter）
，

這就是單一的 Self-Attention。後麵這個字是啥 ，旨在讓更多讀者看完就能通俗地 、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，從而真正理解它究竟為什麽如此火爆 。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention ，而不僅僅是做簡單的線性組合。連接輸入和輸出，輸出 "我愛你"  。直接抄就可以啊，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 ，更抽象的特征表達，整體代表Decoder。

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，

實際可以開12 個、理解力越強。得到“新含義” 。需要把每個詞轉換成一個向量 ，

③ Q / K / V：Self-Attention 的靈魂

這是最讓人拍案叫絕的設計之一。

又暈了 ？其實通俗來講就是：Attention 負責找關係 ，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。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。每個詞被映射成一個向量
  ，但對模型來說是非常簡單高效的。需要把標準答案整體右移一位
  ，