Transformer 架构是由 Ashish Vaswani 和他的同事们在 2017 年的论文《Attention is All You Need》中首次提出的。它在自然语言处理（NLP）和其他序列建模任务中取得了前所未有的成功。Transformer 模型完全基于自注意力机制，摒弃了循环和卷积操作，这使得它在处理长序列数据时具有显著优势，并且能够实现并行化计算。

一、总体架构

Transformer的主要架构由编码器（Encoder）和解码器（Decoder）两部分组成，这两部分都是基于自注意力（Self-Attention）机制构建的。

1、编码器（Encoder）

编码器负责将输入序列（例如，一段文本）转换成一种内部表示，这种表示将被解码器用来生成输出序列。编码器由多个相同的编码器层堆叠而成，每个编码器层包含两个子层：

多头自注意力（Multi-Head Self-Attention）：

这是编码器的核心部分，它允许模型在处理序列中的每个元素时，都能够考虑到序列中的其他所有元素。多头机制通过并行处理不同的“表示子空间”，增强了模型捕获序列中不同方面信息的能力。

前馈神经网络（Feed Forward Neural Network, FFN）：

这个子层是一个简单的全连接前馈网络，它对自注意力层的输出进行进一步的非线性变换。通常，这个网络由两个线性变换层和一个ReLU激活函数组成。

2、解码器（Decoder）

解码器根据编码器的输出生成目标序列。与编码器类似，解码器也由多个相同的解码器层堆叠而成，但每个解码器层包含三个子层：

掩码多头自注意力（Masked Multi-Head Self-Attention）：

类似于编码器中的自注意力层，但增加了一个掩码机制，以确保在生成序列的当前位置时，模型只能关注到已经生成的部分（即，之前的序列位置），而不能看到未来的部分。这是实现自回归生成的关键。

编码器-解码器多头注意力（Encoder-Decoder Multi-Head Attention）：

这个子