NLP Transformer的Decoder的输入输出都是什么？每个部分都是什么? NLP中的encoder和decoder的输入是什么？_transformer decoder的输入

以翻译为例：

• 输入：我爱中国
• 输出： I Love China

因为输入（“我爱中国”）在Encoder中进行了编码，这里我们具体讨论Decoder的操作，也就是如何得到输出（“L Love China”）的过程。

训练过程中，第i个Decoder输入是： Encoder的输出 + 目标序列的一部分

 目标序列：例如，如果一个机器翻译系统被设计为将“”英文翻译成中文“”：

• 源语言（Encoder的输入）：英文。这是原始文本所用的语言，需要被翻译。
• 目标语言（Decoder的输入和输出）：中文。这是翻译的目标，即我们希望模型生成的语言。

推理过程中，第i个Decoder输入是：  Encoder的输出 + 第(i-1)个decoder输出。

第一次decoder的输入是：Decoder接收初始输入（开始符号）（如“<s>”）和来自Encoder的输出。基于这些信息，它生成对序列中下一个词的预测。

transformer模型与常规的seq2seq模型不同，

• 常规的seq2seq模型的 Decoder的输入则是目标序列数据，以及来自Encoder的上下文向量。Decoder通过逐个生成目标序列中的单词或字符，从而输出翻译或生成的结果，
• 在Transformer模型中，encoder和decoder都接收完整的源序列和目标序列作为输入，并使用自注意力机制进行编码和解码。

训练时因为知道ground truth embeding，相当于知道正确答案，网络可以一次训练完成。
预测时，首先输入start，输出预测的第一个单词 然后start和新单词组成新的query，再输入decoder来预测下一个单词，循环往复 直至end 

Decoder执行步骤（推理过程）

Time Step 1

• • 初始输入： 起始符</s> + Positional Encoding（位置编码）
  • 中间输入： 整个Encoder Embedding【也就是“我爱中国”的Embedding】
  • 最终输出：产生预测“I”

Time Step 2

• • 初始输入：起始符</s> + “I”+ Positonal Encoding
  • 中间输入：整个Encoder Embedding【也就是“我爱中国”的Embedding】
  • 最终输出：产生预测“Love”

Time Step 3

• • 初始输入：起始符</s> + “I”+ “Love”+ Positonal Encoding
  • 中间输入：整个Encoder Embedding【也就是“我爱中国”的Embedding】
  • 最终输出：产生预测“China”

---

为什么整体右移一位（Shifted Right）

回答：在输出（Decoder的输入）前添加起始符，方便预测第一个Token

细心的同学会发现论文在Decoder的输入上，对Outputs有Shifted Right操作。

Shifted Right 实质上是给输出（Decoder的输入）添加起始符/结束符，方便预测第一个Token/结束预测过程。

正常的输出序列位置关系如下：

• 0-"I"
• 1-"Love"
• 2-"China"

但在执行的过程中，我们在初始输出（Decoder的输入）中添加了起始符</s>，相当于将输出整体右移一位（Shifted Right），所以输出序列变成如下情况：

• 0-</s>【起始符】
• 1-“I”
• 2-“Love”
• 3-“China”

这样我们就可以通过起始符</s>预测“I”，也就是通过起始符预测实际的第一个输出。

（预测时候Decoder是怎么输入？）transformer 模型的decoder部分 带gif动图_decoder动态图_薛定谔的炼丹炉！的博客-CSDN博客

哪位大神讲解一下Transformer的Decoder的输入输出都是什么？能解释一下每个部分都是什么? - 知乎

---

NLP中的encoder和decoder的输入是什么？

最近在看一个论文，原来我不是做NLP的，看了很久的NLP代码后发现decoder的输入和image的那一套的输入不一样，因为NLP是序列模型，主要是做的预测下一个序列是什么。所以decoder的输入并不是我传统认为的encoder的输出，decoder的输入是什么取决于你定义的任务是什么？并且encoder的输入直接放在decoder中也是无法重建为原来的输入的。

NLP中的encoder和decoder更像是连成一起的东西，而不像VAE这种encoder和decoder单独拿出来做故事。

例如下面的代码，取决于预测目标的不同，decoder的输入（decoder_smiles）也不同，

• 如果预测目标为 'reconstruction'，则将解码器的 SMILES 设置为与编码器相同，即 decoder_smiles = encoder_smiles。

• 如果预测目标为 'canonical'，则将解码器的 SMILES 设置为变量 mol，表示train,valid,test中的分子列表

• 如果预测目标为 'nearestn'，则通过检索字典 self.retrieval 中与变量 mol 相关的条目，获取与之最相似的一个 SMILES 序列，并将其设置为解码器的输入。然后，更新 self.retrieval，将已使用过的 SMILES 序列移除。

        if self.myargs.pred_target == 'reconstruction':
            decoder_smiles = encoder_smiles
        elif self.myargs.pred_target == 'canonical':
            decoder_smiles = mol
        elif self.myargs.pred_target == 'nearestn':
            start_idx = 1 if self.retrieval[mol][0] == mol else 0
            decoder_smiles = self.retrieval[mol][start_idx]
            self.retrieval[mol] = self.retrieval[mol][start_idx + 1:]

代码示例：

# 4、将融合后的memory输入到decoder中
model_output = self.decoder(
 
decoder_embs, 
fused_memory,                   
tgt_mask=tgt_mask,          
tgt_key_padding_mask=decoder_pad_mask,
memory_key_padding_mask=encoder_pad_mask.clone()
 
)

# decoder_embs: 这是经过嵌入层处理的目标序列的表示，通常是指在序列到序列模型中的目标语言（例如，在翻译任务中，如果输入是英语，则目标可能是法语）。这些嵌入通常包含了关于目标序列单词的信息。

# fused_memory: 这是从encoder传递给decoder的信息，通常是encoder对输入序列（如源语言）的embedding表示。这个编码包含了输入序列的重要信息，decoder利用这些信息来更好地生成输出序列。

# tgt_mask: 目标掩码（Target Mask）是一种机制，用于防止decoder在生成一个特定词时看到未来的词。在Transformer模型中，这通常通过所谓的“前瞻掩码”来实现，确保在预测当前词时，仅使用到当前词之前的词。

# tgt_key_padding_mask: 用于指示目标序列（target sequence）中填充（padding）元素的位置，在处理不同长度的序列时，较短的序列会被填充以匹配最长序列的长度。这个掩码告诉decoder应该忽略target中的填充的部分，因为填充的部分对于理解或生成目标序列没有实际意义。

# memory_key_padding_mask: 这是另一个padding掩码，用于编码器的输出。它确保decoder在使用来自编码器的信息时忽略任何padding内容。