# Transformer 编码器-解码器 & Q/K/V 学习笔记 ## 
一、整体结构 
主流序列任务（翻译等）采用 **Encoder 编码器 + Decoder 解码器** 架构。 
1. 编码器 - 接收原始输入序列（文字/符号） - 将文本转为连续向量 $\boldsymbol z$ - 由 $\boldsymbol z$ 生成整套 **K、V 向量** - 作用：生成静态知识库，全程固定不变 
2. 解码器 - 接收编码器的 KV 信息 - **自回归方式逐词生成输出** - 每一步只预测下一个字词 --- 
## 二、自回归定义
解码器生成时，**依赖已经生成的前文内容**： 每预测下一个词，都会把前面所有输出当作输入，逐步往后推导，一字一词生成完整句子。
##  三、Q / K / V 核心分工
1. $\boldsymbol K$（键）：原文内容的「标签/索引」，编码器产出 
2. $\boldsymbol V$（值）：原文内容的「实际特征信息」，编码器产出 
3. $\boldsymbol Q$（查询）： - 由**解码器**实时生成 
- 来源：解码器当前隐藏状态（已生成的上文语境） 
- 本质：**一串多维数字向量**，代表「我当前需要什么信息」
## 四、完整运行流程 
1. 编码器处理原文 → 生成固定 $\boldsymbol K、\boldsymbol V$ 
2. 解码器根据已生成的上文 → 实时计算出专属 $\boldsymbol Q$ 
3. 解码器用 $\boldsymbol Q$ 和所有 $\boldsymbol K$ 计算相似度 
4. 匹配度越高，对应 $\boldsymbol V$ 权重越大 
5. 融合原文V信息 + 解码器自身上文 
6. 计算词汇概率，输出下一个词，循环往复 
## 五、关键结论 
1. KV 来自编码器，静态不变；Q 来自解码器，动态每步刷新 2. 是**解码器主动拿 Q 去检索 KV**，编码器只负责生产素材 3. Q/K/V 全是纯数字向量，模型靠向量相似度判断语义关联 4. 翻译生成 = 交叉注意力（Q查KV）+ 自回归逐字接龙