要弄清楚Decoder的输入输出，关键在于图示三个箭头的位置：

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。

训练过程中是Decoder初始输入是输入对应的真实输出

推理过程中是Decoder初始输入是输入经过decoder后的预测输出

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