Transformer Decoder 详解

---

Transformer Decoder 详解

1. 模型结构图解

Transformer Decoder 由 N 个相同的层堆叠而成，每个层包含以下组件（与 Encoder 不同，Decoder 包含两种注意力机制）：

Input (Shifted Output)
│
├─> Masked Multi-Head Self-Attention → Add & LayerNorm → Encoder-Decoder Attention → Add & LayerNorm → Feed Forward → Add & LayerNorm
│        │                                  │                              │
│        └───────────────────────┘          └───────────────┘              └───────────────┘
│                  残差连接                               残差连接                       残差连接
│
└─> Output (与输入维度相同)

---

2. 核心公式与原理

(1) 带掩码的自注意力（Masked Self-Attention）

• 输入矩阵：Decoder 输入 $X_{\text{dec}}\in {\mathbb{R}}^{m\times d_{\text{model}}}$（m 是目标序列长度）
• 注意力掩码：防止当前位置关注未来信息（训练时用于自回归生成）
  $${\text{Mask}}_{ij}=\{\begin{array}{ll}0& \text{if }i\ge j\\ -\infty & \text{if }i<j\end{array}$$
• 掩码注意力计算：
  $$\text{Attention}$$