Реализация Decoder для трансформера

- Основной модуль декодера (Decoder) с:
  * Self-Attention механизмом
  * Encoder-Decoder Attention слоем
  * LayerNormalization
  * Позиционными эмбеддингами
- Примеры использования с документацией
- Полный набор unit-тестов
- Документация на русском языке

doc/decoder_ru.md

@@ -0,0 +1,90 @@
+# Декодер Transformer
+
+## Назначение
+Декодер - ключевой компонент архитектуры Transformer, предназначенный для:
+- Генерации последовательностей (текст, код и др.)
+- Обработки входных данных с учетом контекста
+- Постепенного построения выходной последовательности
+- Работы с масками внимания (предотвращение "утечки" будущего)
+
+## Алгоритм работы
+
+```mermaid
+graph TD
+    A[Входной тензор] --> B[Многоголовое внимание]
+    B --> C[Residual + LayerNorm]
+    C --> D[FeedForward Network]
+    D --> E[Residual + LayerNorm]
+    E --> F[Выходной тензор]
+    
+    style A fill:#f9f,stroke:#333
+    style F fill:#bbf,stroke:#333
+```
+
+1. **Self-Attention**:
+   - Вычисление внимания между всеми позициями
+   - Учет масок для автопрегрессивного декодирования
+   - Multi-head механизм (параллельные вычисления)
+
+2. **Residual Connection + LayerNorm**:
+   - Стабилизация градиентов
+   - Ускорение обучения
+   - Нормализация активаций
+
+3. **FeedForward Network**:
+   - Нелинейное преобразование
+   - Расширение скрытого пространства
+   - Дополнительная емкость модели
+
+## Использование
+
+```python
+from simple_llm.transformer.decoder import Decoder
+
+# Инициализация
+decoder = Decoder(
+    num_heads=8,
+    emb_size=512,
+    head_size=64,
+    max_seq_len=1024
+)
+
+# Прямой проход
+x = torch.randn(1, 10, 512)  # [batch, seq_len, emb_size]
+output = decoder(x)
+
+# С маской
+mask = torch.tril(torch.ones(10, 10))
+masked_output = decoder(x, mask)
+```
+
+## Параметры
+
+| Параметр     | Тип  | Описание |
+|--------------|------|----------|
+| num_heads    | int  | Количество голов внимания |
+| emb_size     | int  | Размерность эмбеддингов |
+| head_size    | int  | Размерность каждой головы |
+| max_seq_len  | int  | Макс. длина последовательности |
+| dropout      | float| Вероятность дропаута (0.1 по умолч.) |
+
+## Применение в архитектурах
+
+- GPT (автопрегрессивные модели)
+- Нейронный машинный перевод
+- Генерация текста
+- Кодогенерация
+
+## Особенности реализации
+
+1. **Масштабирование**:
+   - Поддержка длинных последовательностей
+   - Оптимизированные вычисления внимания
+
+2. **Обучение**:
+   - Поддержка teacher forcing
+   - Автопрегрессивное декодирование
+
+3. **Оптимизации**:
+   - Кэширование ключей/значений
+   - Пакетная обработка