趋近智
Transformer模型入门
章节 1: 序列建模与注意力机制基础
序列到序列任务的挑战
回顾：循环神经网络 (RNN)
传统循环神经网络方法的局限性
注意力机制原理介绍
注意力分数计算：一个宏观视角
来自注意力权重的上下文向量
章节 2: 自注意力与多头注意力
自注意力的原理
自注意力机制中的查询、键和值向量
缩放点积注意力机制
自注意力得分可视化
多头注意力简介
多头注意力机制如何运作
多头注意力机制的优势
动手实践：实现缩放点积注意力
章节 3: Transformer 编码器-解码器架构
整体架构概览
输入嵌入层
位置信息的必要性
位置编码说明
编码器层堆叠
加法与归一化层 (残差连接)
逐位置前馈网络
解码器堆栈
带掩码的多头自注意力
编码器-解码器注意力机制
最终线性层和Softmax
动手实践：构建编码器层
章节 4: Transformer模型的训练与实现
数据准备：分词
构建输入批次
序列任务的损失函数
优化策略
正则化方法
基本实现概述
使用预训练模型库（简述）
实践：组装一个基本Transformer
位置信息的必要性
这部分内容有帮助吗？
- Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, 2017 arXiv DOI: 10.48550/arXiv.1706.03762 - 介绍Transformer架构、自注意力机制以及位置编码必要性和机制的开创性论文。
- Speech and Language Processing (3rd ed. draft), Daniel Jurafsky and James H. Martin, 2025 - 一本涵盖RNN和Transformer等序列模型的综合教材，为NLP中位置信息的重要性提供了背景。
- Transformers and Self-Attention (CS224N Winter 2023 Lecture Notes), Tatsunori Hashimoto, 2023 (Stanford University) - 来自顶尖大学的课程材料，清晰解释了Transformer架构和位置编码的原理。