整体架构概览

Transformer 模型，在开创性论文《Attention Is All You Need》中提出，具有编码器-解码器架构。这种结构是机器翻译或文本摘要等序列到序列任务的常见设计。值得注意的是，Transformer 实现这些任务不依赖于循环或卷积，主要利用注意力机制 (attention mechanism)。

Transformer 不像循环神经网络 (neural network) (RNN)那样逐一顺序处理输入标记 (token)，而是同时处理整个输入序列。这种并行处理能力是一项重要创新，且非常依赖于我们之前讨论的自注意力 (self-attention)机制。

整体架构由两大部分组成：

1. 编码器堆栈： 位于标准图的左侧，其主要作用是处理输入序列并为每个标记生成丰富的、带有上下文 (context)含义的表示。该堆栈由多个相同的编码器层组成（原始论文中通常为6个）。输入序列中的每个标记都流经这些层，并且由于自注意力机制，其表示会根据与序列中所有其他标记的关系得到精细化。
2. 解码器堆栈： 位于右侧，解码器的任务是逐个生成输出序列中的标记。与编码器类似，它由一堆相同的解码器层组成。在输出生成的每个步骤中，解码器将先前生成的标记作为输入，并结合编码器堆栈生成的最终表示。它使用修改后的自注意力机制（带掩码的自注意力）来只关注其正在生成的输出序列中的先前位置，并使用另一种注意力机制（编码器-解码器注意力）从输入序列的编码表示中获取相关信息。

让我们描绘出这种高层结构：

Transformer 架构的整体视图，呈现了输入处理、编码器堆栈、输出处理、解码器堆栈和最终输出层。请注意将编码器输出传输到解码器堆栈中每个层的连接。

输入（例如，源语言句子标记）首先通过嵌入 (embedding)层，然后添加位置编码 (positional encoding)。这种组合表示输入到编码器堆栈的底部。最终编码器层的输出作为每个解码器层内编码器-解码器注意力机制的 ($K$) 和值 ($V$) 输入。

同时，输出（例如，目标语言句子标记，在训练期间向右移位）也经过嵌入，与位置编码结合，并输入到解码器堆栈的底部。解码器使用其带掩码的自注意力来考量已生成的输出序列部分，并使用编码器-解码器注意力来参考编码后的输入表示。最后，来自顶部解码器层的输出通过线性变换和 softmax 函数，生成输出词汇表 (vocabulary)中所有可能下一个标记的概率分布。

本章的后续部分将逐一剖析这些组件，包括位置编码、编码器和解码器层的详细结构（包括相加与归一化 (normalization)步骤以及前馈网络），以及最终的输出生成过程。这种分层方法有助于我们理解 Transformer 如何有效地捕获序列内部和序列之间的复杂依赖关系。