上一篇文章里介绍了Encoder，本篇文章来介绍Decoder
以语音辨识问题为例。
一种典型的Decoder结构是Autoregressive（自回归）的Decoder。即每一步的输出依赖于之前的所有输出。
有了Encoder的输出以后，将其一次性输入Decoder，并且伴随一个起始标识，Decoder的直接输出的是一个概率分布，例如如果是语音转中文辨识问题，会给出一组中文字表（这个中文字表需要事先人为设定）以及其对应的概率分布，然后将最大概率对应的字作为输出；有了第一个输出，Decoder会把这个输出连带之前的输入一起作为新的输入，再得到新的概率分布，再找到对应的中文字，然后重复上述过程。
Decoder的内部结构如下：
可以将其和Encoder做一个对比：
比较重要的几个点：这里的Multi-Head Attention机制增加了Masked操作。
完整的Self-Attention机制如上，我们知道Self-Attention机制就是结合上下文机制，即每一个输入向量分量要考虑其它所有分量的相关度。
而增加了Masked以后，其表示图如下：
其实是每一个输入向量分量在计算相关度时，只能考虑在它之前出现过的分量，而不能考虑在它之后出现过的分量。
Decoder在上述语音辨识问题中还要遇到一个问题，就是判断输出何时停止。那么这时需要在前面提到的中文字表中添加一个“end”即停止标识。
Encoder和Decoder交互的地方实际如下图（Cross attention部分）：
其详细作用过程如下：
给Encoder输入语音序列，在经过Encoder的多block处理后，得到一排向量。首先将begin向量作为Mask Self-attention层的输入，得到第一个输出向量，计算该向量的q向量，利用self-attention中的k、v向量生成机制计算出Encoder每个输出向量的k、v向量，将其组合产生输出向量，通过全链接神经网络，最终得到一个输出词；将这个输出词作为新的输入交给Mask Self-attention层，计算和之前的所有输入向量的相关度继续得到新的输出，然后继续和Encoder的输出进行self-attention操作，然后循环此操作。
将Mask Self-Attention的输出向量和Encoder的输出向量进行Self-Attention操作称之为Cross attention计算。
下面介绍Transformer如何训练。
以中文语音辨识为例，显然数据集格式应该为：输入（语音），输出（文字序列）
我们知道Decoder直接输出每个向量是一组概率分布，如第一个输出：{机（0.8）器（0.1）学（0.1）习（0）}
而实际上第一个输出向量标签为“机”，转化成独热码形式应该是：{机（1）器（0）学（0）习（0）}
显然这类似一个多分类问题，可以用交叉熵作为损失函数，
，在第一个输出向量中，
。
这里需要特别提醒的是，在训练阶段，Decoder的输入是人为给定正确答案，而不是用其自己根据起始Begin向量生成的向量通过cross attention生成的输出向量作为输入再做mask self-attention。
