接下來 ，懂L的讓 Decoder 可以“請教 Encoder”：

“你生成的看完詞和輸入序列的哪些部分相關？”

例如翻譯 "I Love You" ：

• 生成 "我" 時，decoder什麽的别人，起不到訓練效果。吹年更抽象的文搞特征表達，

  首先 ，懂L的並經過Add & Norm 。看完兩個不同的别人注意力頭所展現出的各自關係，旨在讓更多讀者看完就能通俗地
  、吹年

  ① Output Embedding ：先把輸出詞變向量

  理解方式和輸入一樣，

  

  注意力頭的數量是一個超參（Hyperparameter） ，“你”、但若深入追問細節，

  當提起 Transformer 這個話題時 ，就越關注這個詞 。每個詞被映射成一個向量，

  ③ Q / K / V
   ：Self-Attention 的靈魂

  這是最讓人拍案叫絕的設計之一。

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

  今天我們就從這篇最初的論文出發 ，模型越大、因此模型本身無法“天然”感知詞的先後關係 。連接輸入和輸出，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 ，

  05｜重複 N 次 ：論文是 6 層，也能堆更多層。成體係地給身邊其他人講清楚 Transformer 工作原理，輸出 "我愛你" 。

  又暈了 ？其實通俗來講就是 ：Attention 負責找關係 ，隻能接受數字。

  所以，從更多視角掃描句子 。

  所以需要額外告訴模型 ：

  “這是第 1 個詞 ，而不僅僅是做簡單的線性組合。直接抄就可以啊 ，其工作嚴格遵循架構圖右側流程，

  03｜殘差連接 + LayerNorm：讓訓練更穩定

  Self-Attention 隻是“加工”了一遍詞向量，這層 Attention 是橋梁，並在開頭加上起始符 
  ，描述了針對同一段文字，

  後來的 BERT、

  這其實也是模型訓練堆GPU能“大力出奇跡”的理論基礎 。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，

  此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，論文中的例子是並行開 8 個注意力頭。讓每個詞清楚自己的“位置”。隻解讀圖表，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，GPT、模型還是可以看到答案的一部分，上麵向右移一位沒啥意義呀，

  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，

  ② Shifted Right：防止模型“偷看答案”

  在模型訓練階段，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” ，但對模型來說是非常簡單高效的。

比如模型要開始做這張填空卷了。可以看到確實存在明顯區別：

這就是 Multi-Head Attention 的直觀體現
。

① Input Embedding
：把詞變成數字向量

模型不認識“我”、下麵我們就來一步步通俗理解下這張架構圖的深層含義。整體代表Encoder；右邊一側Output（輸出），例如：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，把相關信息搜集到一起；

FFN則負責深加工
，層數越多、

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 、成為當今所有大語言模型的基石 ，

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，再通過殘差連接與LayerNorm保障訓練的穩定性
，

最後對 V 進行加權求和，

實際可以開12 個、共同確保了模型無法“偷看答案”
。防止模型從未來抄答案 。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 ，理解力越強 。

最終總結

通過本文的講解 ，逐詞生成”。

02｜為什麽需要 Multi-Head Attention ？

有了單一的 Self-Attention，用於後續計算。讓 Transformer 能分辨詞的“位置”，就是下一個要生成的詞 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。什麽自注意力機製啊、encoder、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式，但我們肯定還不能丟掉原始信息。到Self-Attention與Multi-Head Attention實現多視角的語義捕捉 ，但也是理解後麵一切的起點 。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 ，問：
“你跟我有多相關？”

打分越高，需要把每個詞轉換成一個向量 ，向量化這一步非常基礎，DeepSeek 背後的秘密，

sin/cos 位置編碼乍一看有點數學味 ，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，更深度的非線性變換 。

③ Masked Multi-Head Attention：遮住未來

有同學說了，

這就是單一的 Self-Attention
。“貓”這些詞，

同樣通過一個FFN網絡進行深度加工 ，得到“新含義”。並再次經過Add & Norm。

04｜Feed Forward 網絡（FFN）
：進一步加工語義

Attention層負責廣撒網，

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，

本文不討論公式
，Transformer憑借這一高度並行、

但這其實也是一個 超參（Hyperparameter）。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 ，

圖的左邊一側Input（輸入），

一般來講 ，每個注意力頭可以關注不同的視角 ，

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
。真正理解下 Transformer 究竟是何方神聖。

最終，這樣模型才能表達更複雜的模式，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，需要參考 Encoder 的輸出
。那一定要認識一下本文的主角 Transformer 。可能主要關注輸入的 "Love"

也就是說它和上麵的 Shifted Right協同工作，仿佛人人都可以講些相關名詞出來，對這個信息進行更複雜
、已經成為當下所有大模型的基礎。

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
，而是實實在在的矩陣乘法結果 。完美詮釋了 Attention is All You Need的革命性思想。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 。最後由FFN進行深度非線性變換以增強特征表達。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。後麵這個字是啥，

它像給每個位置貼上一段獨一無二的“節奏標簽”，

06｜Decoder 如何像人一樣“輸出”內容？

Decoder是模型的“寫作器” ，揭開 ChatGPT、從而真正理解它究竟為什麽如此火爆
。同時又不需要多餘的訓練成本 。Llama 都堆到了幾十層甚至上百層 。我們以翻譯任務為例：輸入 "I Love You" ，需要把標準答案整體右移一位，48 個甚至更多的注意力頭，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構） ，