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
使用预训练模型库（简述）
这部分内容有帮助吗？
- Hugging Face Transformers Library Documentation, Hugging Face team, 2024 - Hugging Face
transformers库的官方及全面文档，对实际实现和理解其全部功能至关重要。 - BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova, 2018 Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), Vol. 1 DOI: 10.48550/arXiv.1810.04805 - 介绍了BERT模型，这是一种基础的预训练Transformer，彻底改变了自然语言处理，并展示了预训练和微调范式的强大功能，这正是使用模型库的核心。
- Natural Language Processing with Transformers: Building Innovative Applications with 🤗 Transformers, Lewis, Leandro, Thomas, 2022 (O'Reilly Media) - 一本实用指南，讲解如何使用Hugging Face
transformers库应用Transformer模型，涵盖各种任务、微调以及基本概念。