以上圖出自李謦伊

今天我們要細講 Transformer 模型架構的 Decoder(解碼器) 的部分，也就是圖中的右半部，這邊會說明它跟 Encoder 的主要差別

1. Masked Multi-Head Attention (遮罩多頭注意力)

這是在 Encoder 裡面沒有的，主要目的是確保在生成序列中的每個位置時，模型只能參考到該位置之前的部分(限制模型的訪問範圍)，而不會看到該位置之後的內容。

它在生成序列（如機器翻譯中的目標語句生成）時非常有用，因為在生成每個詞彙時，我們只應該參考到之前已生成的詞彙，也就是要一個一個的輸出，和原本self-attention一起輸出不同，以確保生成的序列合法且具有一致性。遮罩機制確保模型不會在生成過程中"作弊"，即不會提前看到未來的部分。

2. Decoder 輸入的兩個來源

以上圖出自李謦伊

從這張圖呢我們可以看出 Decoder 的輸入來自兩個部分，簡單來說中間層 Multi-head Attention 的輸入 q 來自於本身前一層的輸出(當前 Decoder 層的輸入序列)，而 k, v 則是來自於 Encoder 的輸出(來自 Encoder 的輸出序列的特徵表示)。

這兩個主要來源

1. Outputs(shifted right): 指的是目標序列的輸入，為了訓練Transformer模型，需要將目標序列中的每個詞彙向右（或向前）位移一個位置，以作為模型的輸入。這是為了讓模型預測下一個詞彙時，可以將前面已生成的詞彙作為上下文。
2. Encoder的輸出 : 編碼器所產生的這些特徵表示通常是一個固定維度的向量序列，包含了對輸入序列的理解。Decoder的自注意力機制和交叉注意力機制用來關注這些特徵表示，以提取有關輸入序列的信息。

3. Linear and softmax

它們共同負責生成下一個詞彙的概率分佈。根據這個分佈，模型可以選擇生成概率最高的詞彙作為下一個預測詞彙(也就是輸出是一個機率)。這使得模型能夠生成具有意義的文本序列。

1. Linear Layer（線性層）：它將 Decoder 最後一層的輸出特徵向量映射到目標詞彙的詞彙表大小的維度上，對輸出的特徵表示進行線性變換，以使其維度與詞彙表的大小相匹配。

2. Softmax Layer（Softmax層）：它將每個詞彙的分數轉換為該詞彙的概率，這是通過應用 softmax 函數來實現的，它將分數轉換為0到1之間的值，並確保所有詞彙的概率總和為1。

   最終，Softmax Layer 的輸出是一個機率分佈，其中每個詞彙都有一個對應的機率值，表示生成該詞彙的機率。

總之，Decoder是Transformer模型中負責生成文本或序列的部分，它根據來自Encoder的信息以及生成的上下文來進行預測，並確保生成的序列是合法且有意義的。

參考資料

• https://medium.com/ching-i/transformer-attention-is-all-you-need-c7967f38af14
• https://zhuanlan.zhihu.com/p/526694027