Transformer架构；Encoder-Decoder；Padding Mask；Sequence Mask；
目录
Transformer架构
Transformer架构的主要组成部分：
简单举例说明输入和输出：
Encoder-Decoder
编码器/解码器组成
6、位置前馈网络（Position-wise Feed-Forward Networks）
7、残差连接和层归一化
10、掩码Mask
10.1 Padding Mask
10.2 Sequence Mask
为什么需要Sequence Mask？
Sequence Mask是如何工作的？
具体实现
为什么如果没有适当的掩码机制，解码器在生成某个位置的输出时，可能会“看到”并错误地利用该位置之后的信息
Transformer架构
Transformer架构是一种基于自注意力（Self-Attention）机制的深度学习模型，广泛应用于自然语言处理（NLP）领域。它摒弃了传统的循环神经网络（RNN）或卷积神经网络（CNN）结构，通过自注意力机制来捕捉输入序列中的依赖关系，从而实现高效的序列到序列（Seq2Seq）处理。
Transformer架构的主要组成部分：
- 输入层（Input Layer）：
- 输入层接收原始数据（如文本），并将其转换为模型可以处理的格式。这通常包括将文本转换为词嵌入（Word Embeddings），以及添加位置编码（Positional Encoding）以保留单词在序列中的位置信息。
- 输入层接收原始数据（如文本），并将其转换为模型可以处理的格式。这通常包括将文本转换为词嵌入（Word Embeddings），以及添加位置编码（Positional Encoding）以保留单词在序列中的位置信息。
- 编码器（Encoder）：
- 编码器由多个相同的层堆叠而成，每个层都包含自注意力机制（如多头注意