标准自注意力（Self-Attention） 和因果注意力（Causal Attention） 的区别

pytorch api文档：nn.Module的register_buffer()方法将张量注册为模型的缓冲区（buffer）

pytorch api文档：nn.ModuleList() 存储多个nn.Module的有序列表容器

pytorch api文档：torch.nn.Module神经网络基类

pytorch api文档：torch.cat()在已有维度上拼接张量（维度数不变）

pytorch api文档：torch.stack()堆叠多个形状相同的张量

pytorch api文档：torch.nn.Dropout

pytorch api文档：张量的.masked_fill()方法-根据布尔类型的张量填充

pytorch api文档：torch.ones_like()复用已有张量的形状、数据类型、设备等属性来创建全1张量

pytorch api文档：torch.ones()创建全1张量