Transformer 解码器采用自回归方式生成序列，通过掩码多头注意力防止信息泄露，利用交叉注意力对齐编码器输入。其结构包含嵌入层、位置编码、多层堆叠的子层及前馈网络。解码器广泛应用于 GPT 等生成式模型，支持文本续写、翻译等任务。相比编码器 - 解码器架构，解码器仅模型在推理效率和长文本处理上更具优势，是大语言模型的核心基础。
Transformer 架构相对于早期的 RNN 显著提高了自然语言任务的性能，以其独特的注意机制和并行处理能力而闻名。作为理解和生成人类语言的创新飞跃，其准确性和效率前所未有。本文深入回顾 Transformer 经典架构的解码器原理、内部组件及在生成式模型中的应用。
解码器是 Transformer 架构中负责构建文本序列的核心组件。与编码器相似，解码器配备了一组类似的子层，但其设计目标不同：编码器关注理解输入上下文，而解码器关注基于已生成的内容预测下一个 token。
解码器包含两个多头注意力层（Multi-Head Attention），一个前馈神经网络层（Feed-Forward Network），并在每个子层后都包含残差连接（Residual Connection）和层归一化（Layer Normalization）。
这些组件的功能类似于编码器层，但有一个关键变化：解码器中的每个多头注意力层都有其独特的任务。Transformer 解码器具有专门设计的结构，可以逐步解码编码信息以生成输出序列。
解码器以自回归的方式运行，通过启动标记（Start Token）来启动其过程。它巧妙地使用先前生成的输出列表作为其输入，与来自编码器的输出一起使用。编码器的输出富含来自初始输入的注意力信息，解码过程一直持续到解码器输出创建结束标记（End Token）。
嵌入过程与编码器的过程相似，同样发生在最底层的解码器中。在这里，输入首先经过嵌入层。输入通常是上一时刻预测出的 token ID，通过查找表转换为稠密向量表示。这一过程将离散的符号映射到连续的向量空间，使得模型能够捕捉语义信息。
在嵌入之后，输入经过位置编码层，产生这个序列的位置嵌入。由于 Transformer 不包含循环或卷积结构，无法天然感知序列顺序，因此必须显式注入位置信息。
原始 Transformer 论文使用了正弦和余弦函数生成位置编码，公式如下：
PPE(pos, 2i) = sin(pos / 10000^(2i/d_model))
PPE(pos, 2i+1) = cos(pos / 10000^(2i/d_model))
这些位置嵌入被导入到解码器的第一个多头注意力层中，那里会精确计算与解码器输入相关的注意力分数，确保模型知道当前预测的是序列中的第几个词。
解码器由一堆相同的解码器层组成（原始 Transformer 模型中有 6 层）。每一层都有 3 个主要的子组件，按顺序执行。
这类似于编码器中的自注意力机制，但有一个关键的区别：掩码自注意力机制阻止位置关注后续位置。这意味着序列中的每个单词不受未来标记的影响。这种掩码通常是一个下三角矩阵，确保特定位置的预测只能依赖于它之前位置的已知输出。这是实现自回归生成的关键，防止了训练时的数据泄露。
在解码器的第二个多头注意力层中，我们看到编码器和解码器组件之间独特的相互作用。在这里，编码器的输出扮演查询 (Query, Q) 的角色，而关键字 (Key, K) 和值 (Value, V) 则来自解码器第一个多头注意力层的输出。
注：此处需修正逻辑以符合标准 Encoder-Decoder 架构描述，但在 Decoder-only 架构（如 GPT）中，此层不存在。鉴于原文提及'编码器的输出'，我们按 Encoder-Decoder 架构解释，同时补充 Decoder-only 的差异。
Encoder-Decoder 模式下的交叉注意力： 在这个子层中，Q 来自前一个解码器层，而 K 和 V 来自编码器的输出。这使得解码器中的每个位置都可以关注输入序列中的所有位置，有效地将编码器中的信息与解码器中的信息整合在一起。这对于翻译等任务至关重要，因为它允许模型根据源语言的所有部分来决定目标语言的下一个词。
Decoder-Only 模式下的差异： 在 GPT 等纯解码器模型中，没有交叉注意力层。模型仅依赖自注意力机制，通过掩码关注自身历史生成内容。这种架构简化了推理过程，更适合大规模预训练。
与编码器类似，每个解码器层都包括一个全连接的前馈网络，分别应用于每个位置。通过前馈神经网络的指引，进行标准化残差输出，这是额外细化的关键阶段。
该网络通常由两个线性变换中间夹着一个 ReLU 激活函数（或 GELU）组成：
FFN(x) = max(0, xW1 + b1)W2 + b2
处理完毕后的输出循环回来与前馈神经网络的输入合并，之后又进行了一轮规范化，确保一切都调整好，为接下来的步骤做好同步。
数据最终通过作为分类器的线性层，该分类器的大小对应于涉及的类别总数（词汇表中包含的单词数）。例如，在一个包含 50,000 个不同类别代表 50,000 个不同单词的情景中，分类器的输出将是一个包含 50,000 个元素的数组。
然后将这个输出引入到一个 Softmax 层，将其转换为一系列概率分数，每个分数都介于 0 和 1 之间，且总和为 1。其中最高的概率分数是关键的，其对应的索引直接指向模型预测为序列中下一个单词的位置。
每个解码器子层后面都跟着一个归一化步骤（Pre-Norm 或 Post-Norm），并且每个子层还包括一个绕过它的残差连接。残差连接有助于梯度传播，解决深层网络退化问题；归一化则加速收敛并稳定训练。
最终层的输出经过线性层转换成预测序列，通常接着使用 Softmax 生成词汇的概率。解码器在其操作流程中将新生成的输出合并到其不断增长的输入列表中，然后继续解码过程。这个循环重复进行，直到模型预测出特定的标记，表示过程完成。以最高概率预测的标记被指定为最终类别，通常由结束标记表示。
值得注意的是，解码器层不限于单层，它可以由 N 层结构组成，每一层都建立在来自编码器和其前一层的输入之上。这种分层架构使模型能够多样化其关注重点，并在其注意力头部之间提取不同的注意力模式。
在实际应用中，除了简单的贪婪搜索（Greedy Search），还常采用以下策略：
从比较偏颇的一个层面上来说，Transformer 的解码器架构是 Transformer 的核心。解码器架构通常缺乏来自任何编码器的条件信号，输入序列直接送入解码器，解码器通过自注意机制关注输入序列生成输出序列。该架构用于基于固定输入生成输出数据。输入可以是提示 (Prompt)，如一段文本或一幅图像的某些部分缺失，输出是基于该提示生成的。
从目前的 Transformer 架构发展情况来看，解码器架构比编码器架构和编码器 - 解码器架构更胜一筹，生成信息比分类任务和序列到序列任务更接近于 AGI 的实现。事实也证明，训练模型以预测下一个词会促进出现新的特性和更高效的文本表示，甚至比编码器 - 解码器和仅编码器模型更好。
GPT 是解码器模型中最著名的例子之一，在语言生成方面的出色能力引起了广泛关注。GPT 的架构使其能够根据之前的标记预测序列中的下一个标记，从而使其能够编写叙述，生成文本，并对提示做出上下文回应。GPT 为依赖于文本生成和连贯序列创建的创新应用打开了大门，该模型展示了仅解码器架构模拟人类语言生成的潜力，使其成为各种创意任务中不可或缺的工具。
LLaMA 是由 Meta AI 开发的一款大型语言模型，它是为了探索和优化自然语言处理任务的能力而设计的。LLaMA 模型的发布目的在于提供一个高效、性能卓越的工具，旨在通过深度学习和大规模数据预训练来理解和生成自然语言。LLaMA 系列进一步优化了注意力机制（如 SwiGLU 激活函数、RoPE 位置编码），提升了长上下文的处理能力和训练效率。
通过相关研究，我们对 Transformer 解码器架构有了更深入的了解。解码器通过自回归机制、掩码注意力以及多层堆叠结构，实现了强大的序列生成能力。展望未来，随着 Transformer 架构应用的不断深入，我们有理由相信，大语言模型将在更多领域取得突破性进展，为人类社会带来更多的便利和福祉。
未来的研究方向可能包括更高效的位置编码、稀疏注意力机制以降低计算复杂度，以及在多模态领域的应用扩展。理解解码器的工作原理，对于开发者构建和优化下一代 AI 系统至关重要。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online