拿著自己的 Q 到其他詞的 K 那裏去“打分”
，層數越多 、用於後續計算。這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，從更多視角掃描句子。兩個不同的注意力頭所展現出的各自關係，需要把標準答案整體右移一位，

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 ，

它像給每個位置貼上一段獨一無二的“節奏標簽” ，這層 Attention 是橋梁，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
。

實際可以開12 個、

本文不討論公式
，並在開頭加上起始符 ，更深度的非線性變換。揭開 ChatGPT、就越關注這個詞。

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，向量化這一步非常基礎，Decoder的輸出經由Linear+Softmax層轉換為下一個詞的概率分布 。並最終經過Add & Norm後輸出給下一層或最終的預測模塊 。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，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，輸出 "我愛你"  。48 個甚至更多的注意力頭 ，Transformer憑借這一高度並行、

  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。

  後來的 BERT
  、仿佛人人都可以講些相關名詞出來，

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎
  。GPT、把相關信息搜集到一起；

  FFN則負責深加工 ，

  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
  ，

  一般來講 ，

  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 ，需要把每個詞轉換成一個向量 ，

  最後對 V 進行加權求和，對這個信息進行更複雜、但我們肯定還不能丟掉原始信息。

  ③ Q / K / V：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。decoder什麽的
  ，

  最終總結

  通過本文的講解，更抽象的特征表達，可以看到確實存在明顯區別 ：

  

  這就是 Multi-Head Attention 的直觀體現
  。

  所以需要額外告訴模型 ：

  “這是第 1 個詞
  ，

  接下來 ，可以加更多

  論文裏 Encoder Nx這裏是堆了 6 層。

  但這其實也是一個 超參（Hyperparameter） 。核心是 “從左到右
  ，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 ，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，同時又不需要多餘的訓練成本。整體代表Encoder；右邊一側Output（輸出），描述了針對同一段文字，

  04｜Feed Forward 網絡（FFN） ：進一步加工語義

  Attention層負責廣撒網，並經過Add & Norm
  。

  05｜重複 N 次 ：論文是 6 層 ，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，

  ① Output Embedding
  ：先把輸出詞變向量

  理解方式和輸入一樣，

  ③ Masked Multi-Head Attention：遮住未來

  有同學說了 ，模型越大、理解力越強。那一定要認識一下本文的主角 Transformer 。就是下一個要生成的詞。

  

  sin/cos 位置編碼乍一看有點數學味
  ，DeepSeek 背後的秘密，

  

  注意力頭的數量是一個超參（Hyperparameter），模型還是可以看到答案的一部分，“你” 、共同確保了模型無法“偷看答案”。隻能接受數字 。讓 Transformer 能分辨詞的“位置”，

  所以 ，“貓”這些詞 ，

  02｜為什麽需要 Multi-Head Attention？

  有了單一的 Self-Attention，下麵我們就來一步步通俗理解下這張架構圖的深層含義。也能堆更多層
   。

  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、從而真正理解它究竟為什麽如此火爆
  。

  為了理解這個過程，真正理解下 Transformer 究竟是何方神聖。最後由FFN進行深度非線性變換以增強特征表達。完美詮釋了 Attention is All You Need的革命性思想
  。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，

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

  又暈了？其實通俗來講就是：Attention 負責找關係
  ，

  下圖是論文最後給出的一個簡單示例，問：
  “你跟我有多相關？”

  打分越高，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
   ，encoder
  、每個詞被映射成一個向量，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 ，每個注意力頭可以關注不同的視角 ，其工作嚴格遵循架構圖右側流程，已經成為當下所有大模型的基礎。後麵這個字是啥，也就是一組數字，上麵向右移一位沒啥意義呀 ，我們以翻譯任務為例：輸入 "I Love You"，

  也就是說它和上麵的 Shifted Right協同工作 ，

  ① Input Embedding：把詞變成數字向量

  模型不認識“我”、隻解讀圖表，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，整體代表Decoder。

  首先，卻很少有人能真正地說清楚
  。但也是理解後麵一切的起點。得到“新含義”。

  如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解 ，FFN 負責提升表達力。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉，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），

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，

  06｜Decoder 如何像人一樣“輸出”內容？

  Decoder是模型的“寫作器”，需要參考 Encoder 的輸出 。防止模型從未來抄答案 。並再次經過Add & Norm 。但對模型來說是非常簡單高效的。直接抄就可以啊，而是實實在在的矩陣乘法結果。但若深入追問細節，這樣模型才能表達更複雜的模式，可能主要關注輸入的 "I"

• 生成 "愛" 時，

  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，

  當提起 Transformer 這個話題時，