参考答案
结论：Transformer的输出包括每一层后的隐藏状态序列，最终输出取决于任务（编码器的上下文表示或解码器的预测logits）。核心要点：单层输出为自注意力计算加权求和，经残差连接与LayerNorm，再经前馈网络同样残差+Norm；编码器输出为输入序列的上下文向量序列，维度[d_model]；解码器输出经Linear和Softmax得到词表概率分布，或取最后位置隐状态；多头注意力使每个位置融合全局信息。示例：输入序列长N，输出张量形状[N, d_model]（编码器）或[N, vocab_size]（解码器预测）；原理：自注意力公式Attention(Q,K,V)=softmax(QK^T/√d)V。