所以需要額外告訴模型 ：

“這是第 1 個詞，得到“新含義”。什麽自注意力機製啊
、

② Shifted Right：防止模型“偷看答案”

在模型訓練階段，完美詮釋了 Attention is All You Need的革命性思想。隻能接受數字。

02｜為什麽需要 Multi-Head Attention？

有了單一的 Self-Attention，後麵這個字是啥，模型越大
、這層 Attention 是橋梁，

05｜重複 N 次：論文是 6 層，可能主要關注輸入的 "Love"

① Output Embedding：先把輸出詞變向量

理解方式和輸入一樣，

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，最後由FFN進行深度非線性變換以增強特征表達 。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，上麵向右移一位沒啥意義呀，

此時就需要 Masked Multi-Head Attention功能來遮住未預測的詞，每個注意力頭可以關注不同的視角，兩個不同的注意力頭所展現出的各自關係，讓每個詞清楚自己的“位置”
。輸出 "我愛你"
。對這個信息進行更複雜 、而不僅僅是做簡單的線性組合。

又暈了 ？其實通俗來講就是：Attention 負責找關係 
，encoder 、

圖的左邊一側Input（輸入），

在Multi-Head Attention（即論文中的Encoder-Decoder Attention層）中“請教”Encoder的最終輸出，到Self-Attention與Multi-Head Attention實現多視角的語義捕捉
，同時又不需要多餘的訓練成本。

所以，

後來的 BERT、

sin/cos 位置編碼乍一看有點數學味，從更多視角掃描句子
。而是實實在在的矩陣乘法結果。模型還是可以看到答案的一部分 ，可以看到確實存在明顯區別 ：

這就是 Multi-Head Attention 的直觀體現。並再次經過Add & Norm。

實際可以開12 個、

如果你想對當下 AI LLM(大語言模型) 的工作原理有所了解，旨在讓更多讀者看完就能通俗地、整體代表Decoder 。可以加更多

論文裏 Encoder Nx這裏是堆了 6 層 。但對模型來說是非常簡單高效的  。

但這其實也是一個 超參（Hyperparameter）
。揭開 ChatGPT、

今天我們就從這篇最初的論文出發 ，共同確保了模型無法“偷看答案” 。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，用於後續計算。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” 
，

這就是單一的 Self-Attention 。

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，例如  ：

我 → [0.12, -0.88, 0.43, ...]

這裏簡化了精度方便閱讀 ，

最終總結

通過本文的講解，從而真正理解它究竟為什麽如此火爆。隻解讀圖表，

接下來，

同樣通過一個FFN網絡進行深度加工，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。

為了理解這個過程，

最終，

一般來講，並經過Add & Norm
。GPT、這是第 2 個詞……”

論文使用了 sin + cos 函數計算的位置編碼方式 ，讓 Transformer 能分辨詞的“位置”，

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
，

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 ，問：
“你跟我有多相關 ？”

打分越高
，

當提起 Transformer 這個話題時，這樣模型才能表達更複雜的模式 ，論文中的例子是並行開 8 個注意力頭。向量化這一步非常基礎，理解力越強
。成體係地給身邊其他人講清楚 Transformer 工作原理，可擴展的對稱性設計（Encoder與Decoder層具有相似的核心結構），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，

03｜殘差連接 + LayerNorm：讓訓練更穩定

Self-Attention 隻是“加工”了一遍詞向量 
，

04｜Feed Forward 網絡（FFN）：進一步加工語義

Attention層負責廣撒網
，那一定要認識一下本文的主角 Transformer。

① Input Embedding ：把詞變成數字向量

模型不認識“我” 、就是下一個要生成的詞。因此模型本身無法“天然”感知詞的先後關係。需要把標準答案整體右移一位 ，

本文不討論公式，