如果你正在做 NLP、圖像分類、時序預測或者只是刷到“Transformer 漲點”“手撕 Transformer”這類詞卻還不太清楚它內部到底怎么運轉這篇內容就是給你準備的。先給一個明確判斷Transformer 不是一個只屬于 NLP 的模型結構它已經從語言模型走向了視覺、語音、時序預測、推薦系統等幾乎所有深度學習領域。真正理解它不是背下來“自注意力 多頭 位置編碼”這幾個名詞而是能回答下面三個問題為什么 RNN 會被它替代它的每一層結構到底在處理什么如果讓我從零實現一個最小可用版本我該怎么寫這篇文章不會只停留在概念層面。我會從問題切入講清楚 Transformer 的核心原理然后用 PyTorch 從零實現一個可以訓練的分類模型跑通訓練和驗證流程。接著再把視野擴展到 Vision Transformer、Swin Transformer 這些熱門變體最后給出工程落地和調試建議。如果你之前看公式看得頭大或者復制過別人的代碼卻不知道怎么改這篇文章會盡量讓你讀完后能自己動手。1. 為什么最后是 Transformer很多人第一次接觸 Transformer是在學習 NLP 的時候。當時主流的序列建模工具是 RNN、LSTM、GRU。它們有一個天然問題按時間步順序處理序列。這意味著第 100 個詞要等前 99 個詞算完才能開始訓練速度慢而且長距離依賴容易丟失。雖然 LSTM 通過門控機制緩解了梯度消失但本質上仍然受限于“按順序”這個約束。CNN 在 NLP 里也被用過。TextCNN 通過不同尺寸的卷積核提取 n-gram 特征優點是能并行計算缺點是感受野有限。想要捕捉長距離關系就必須堆很多層或者用很大的卷積核效率不高。Transformer 換了一個思路不再依賴順序處理而是讓序列中的每個元素直接和所有元素計算相關性。這個機制叫自注意力。它帶來兩個關鍵變化計算可以并行訓練速度大幅提升。任意兩個位置之間只隔一次計算長距離依賴不再是難題。所以“為什么最后是 Transformer”這個問題的答案可以概括為它同時解決了 RNN 的串行瓶頸和 CNN 的局部感受野限制而且隨著數據量和算力增大它的擴展性遠好于前兩者。更重要的是Transformer 的架構足夠通用輸入不一定非得是文本只要你能把數據變成一組向量就能用 Transformer 處理。從工程角度看Transformer 還帶來了一個隱性優勢統一建模。以前做文本用 RNN做圖像用 CNN做語音用專門的模型。現在 Transformer 提供了統一的基礎結構不同模態的數據經過適當編碼后都能塞進同一個架構。這也是 GPT、BERT、ViT、Swin Transformer 等模型真正重要的原因——它們共享同一套底層設計邏輯。當然Transformer 不是沒有代價。它的計算復雜度是序列長度的平方顯存占用大訓練需要更多數據。這也是后面 Swin Transformer 這類模型嘗試優化的方向之一。了解它的優點和局限才算真正理解它。2. 核心機制自注意力與多頭注意力2.1 自注意力想解決什么問題先看一個具體場景。假設輸入一句話“小明把蘋果放在桌上然后拿走了它。”要讓模型知道“它”指代的是“蘋果”還是“小明”就需要讓“它”這個位置的向量能參考其他位置的向量。自注意力做的事情就是讓每個 token 根據自己的 Query 向量去所有 token 的 Key 向量上做匹配再用匹配結果對 Value 向量加權求和。用大白話說每個詞都發出一條查詢問“誰和我相關”然后根據收到的答案從其他詞那里匯總信息。這個匯總結果就是當前詞的新表示。整個過程可以做一次矩陣運算完全并行。2.2 縮放點積注意力公式自注意力的核心公式是Attention(Q, K, V) softmax(Q K^T / sqrt(d_k)) V其中Q 是 Query 矩陣代表當前元素要查詢的信息。K 是 Key 矩陣代表其他元素能被匹配的特征。V 是 Value 矩陣代表其他元素實際提供的內容。d_k 是 Key 向量的維度除以 sqrt(d_k) 是為了防止點積結果過大導致 softmax 進入飽和區。從實現角度Q、K、V 通常來自同一個輸入序列 X經過不同的線性變換得到Q X W_Q K X W_K V X W_V三種變換使用不同的權重矩陣才能讓模型在同一份輸入上學到不同視角的表示。2.3 多頭注意力不是一種注意力而是多套并行如果只做一次自注意力模型只能學到一種相關性模式。但真實語言中的關系是多樣的可能是語法關系、指代關系、語義相似關系等。多頭注意力把 Q、K、V 拆成 h 份每份獨立計算注意力最后把所有頭的結果拼接起來再經過一個線性層。公式如下MultiHead(Q, K, V) Concat(head_1, ..., head_h) W_O head_i Attention(Q W_Q^i, K W_K^i, V W_V^i)多頭的好處有三個不同頭可以關注不同位置的關系。每個頭運行在更低維空間計算成本不會成倍增加。增加模型并行度表達能力更強。實際項目中BERT-base 使用 12 個頭GPT 使用 12 個頭ViT 的 large 版本使用 16 個頭。頭數不是越大越好頭數過大會導致每個頭的維度太小表達能力下降也會增加訓練開銷。2.4 注意力機制的一般視角還有一點值得理解注意力機制不是 Transformer 獨有的。早年機器翻譯中的 Bahdanau Attention 和 Luong Attention 就已經用注意力來對齊源語言和目標語言。Transformer 的貢獻在于把它從輔助模塊變成了主架構并且用自注意力取代了所有循環結構。所以理解 Transformer本質上就是理解自注意力在深層網絡中的組織和實現方式。3. Transformer 總體架構拆解3.1 標準架構編碼器和解碼器原始論文《Attention Is All You Need》中Transformer 采用編碼器-解碼器結構兩條線分別處理后輸出。編碼器由 N 個相同的層堆疊每層包含兩個子層多頭自注意力層。逐位置前饋網絡。每個子層后面都接一個殘差連接和層歸一化。用公式表示就是x LayerNorm(x Sublayer(x))解碼器與編碼器類似但有兩點不同解碼器使用帶掩碼的自注意力防止當前位置看到未來位置。解碼器額外插入一個交叉注意力子層讓解碼器能關注編碼器的輸出。很多實際任務不一定需要完整的編碼器-解碼器結構。比如 BERT 只用編碼器適合理解任務GPT 只用解碼器適合生成任務。這個取舍在工程上非常常見后面講視覺變體時還會看到。3.2 位置編碼給并行模型一個順序概念自注意力本身不關心 token 的先后順序因為它同時計算所有兩兩關系。要引入順序信息必須在輸入向量里注入位置信號。原始 Transformer 使用正弦位置編碼PE(pos, 2i) sin(pos / 10000^(2i/d_model)) PE(pos, 2i 1) cos(pos / 10000^(2i/d_model))其中 pos 是位置索引i 是維度索引d_model 是模型維度。每個維度的頻率不同模型可以從角度關系里學到相對位置信息。工程上還有幾種常見位置編碼可學習位置編碼把位置向量當作普通參數訓練BERT 和 ViT 都采用了這種方案。相對位置編碼建模兩個 token 之間的距離而非絕對位置。旋轉位置編碼RoPE在 LLaMA 等大模型中被廣泛使用能更好地處理長序列。理解位置編碼的重要性是因為很多從零實現 Transformer 的人最容易忽略的就是這里。如果你的模型在訓練時表現不錯但序列一變長效果就很差可以先檢查位置編碼的方案。3.3 前饋網絡與層歸一化每個 Transformer 塊中的前饋網絡Feed-Forward NetworkFFN由兩個線性層和一個激活函數組成。常用的設置為FFN(x) max(0, x W_1 b_1) W_2 b_2第一個線性層將維度從 d_model 擴展到 4 * d_model第二個線性層再降回 d_model。中間用一個 ReLU 激活函數有些實現會換成 GELU。層歸一化LayerNorm對每個 token 的特征維度做歸一化。它與 BatchNorm 的主要區別BatchNorm 對一個 batch 的同一特征維度做歸一化依賴 batch 大小。LayerNorm 對單個樣本的所有特征做歸一化不依賴 batch 大小在 NLP 和 Transformer 中更穩定。公式LayerNorm(x) (x - mean) / sqrt(var eps) * gamma beta這里的 gamma 和 beta 是可學習參數。3.4 殘差連接的意義Transformer 層數一般很深BERT-base 有 12 層GPT-3 有 96 層。如果沒有殘差連接梯度很難傳到淺層。殘差連接讓每一層的輸出變為 x Sublayer(x)相當于把原始信息沿著網絡直接傳遞。這既緩解了梯度消失也保證了模型不會因為層數增加而明顯退化成恒等映射。4. 環境準備與前置條件在動手寫代碼前先說明運行環境。本文核心演示使用 Python 和 PyTorch具體版本以你實際安裝為準思路在不同版本下都適用。建議環境操作系統Windows / Linux / macOS 均可。Python 版本3.8 或更高。PyTorch2.0 或更高。CUDA如果你有 NVIDIA 顯卡建議安裝 CUDA 版 PyTorch訓練會快很多。Jupyter Notebook 或 VS Code 均可。如果還沒安裝 PyTorch可以用下面的命令安裝 CPU 版本pip install torch torchvision需要 GPU 支持的話建議到 PyTorch 官網選擇對應的 CUDA 版本安裝命令這里不寫死某個版本的 CUDA 號以免因為顯卡驅動不匹配導致安裝失敗。安裝完成后可以運行一段代碼驗證環境import torch print(torch.__version__) print(torch.cuda.is_available()) device torch.device(cuda if torch.cuda.is_available() else cpu) print(device)如果打印的版本正常并且torch.cuda.is_available()在有 GPU 的機器上返回 True就說明環境沒問題。5. 手撕 TransformerPyTorch 從零實現這一章是全文核心。我們不用現成的nn.Transformer而是手動實現每個組件這樣你能真正理解內部機制。5.1 項目結構為了方便維護建議用下面的文件結構transformer-tutorial/ ├── data.py # 數據準備 ├── model.py # Transformer 模型定義 ├── train.py # 訓練腳本 └── utils.py # 輔助函數這里為了控制篇幅把關鍵代碼放在 model.py 和 train.py 中方便組合運行。5.2 模型定義model.py先引入依賴import torch import torch.nn as nn import math然后是縮放點積注意力class ScaledDotProductAttention(nn.Module): def __init__(self, dropout0.1): super().__init__() self.dropout nn.Dropout(dropout) def forward(self, q, k, v, maskNone): d_k q.size(-1) scores torch.matmul(q, k.transpose(-2, -1)) / math.sqrt(d_k) if mask is not None: scores scores.masked_fill(mask 0, float(-inf)) attn_weights torch.softmax(scores, dim-1) attn_weights self.dropout(attn_weights) output torch.matmul(attn_weights, v) return output, attn_weights這段代碼有幾個關鍵細節scores 的維度是 [batch_size, num_heads, seq_len, seq_len]。除以 sqrt(d_k) 是為了穩定梯度。mask 中為 0 的位置會被替換成負無窮softmax 后這些位置的概率趨近于 0。返回 attn_weights 是為了方便可視化注意力權重。然后是單頭注意力模塊class MultiHeadAttention(nn.Module): def __init__(self, d_model, n_head, dropout0.1): super().__init__() assert d_model % n_head 0, d_model must be divisible by n_head self.n_head n_head self.d_k d_model // n_head self.w_q nn.Linear(d_model, d_model) self.w_k nn.Linear(d_model, d_model) self.w_v nn.Linear(d_model, d_model) self.w_o nn.Linear(d_model, d_model) self.attention ScaledDotProductAttention(dropout) self.dropout nn.Dropout(dropout) def _split_heads(self, x): batch_size, seq_len, _ x.size() x x.view(batch_size, seq_len, self.n_head, self.d_k) x x.transpose(1, 2) return x def forward(self, q, k, v, maskNone): batch_size q.size(0) q self._split_heads(self.w_q(q)) k self._split_heads(self.w_k(k)) v self._split_heads(self.w_v(v)) x, attn_weights self.attention(q, k, v, mask) x x.transpose(1, 2).contiguous().view(batch_size, -1, self.n_head * self.d_k) output self.w_o(x) return output這里有一個很容易出錯的地方把多頭拆開計算后要記得把維度重新拼接回 [batch_size, seq_len, d_model]。同時view之前要確保 tensor 在內存中是連續的所以需要調用contiguous()。接下來是位置編碼class PositionalEncoding(nn.Module): def __init__(self, d_model, max_len512, dropout0.1): super().__init__() self.dropout nn.Dropout(dropout) pe torch.zeros(max_len, d_model) position torch.arange(0, max_len, dtypetorch.float).unsqueeze(1) div_term torch.exp( torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model) ) pe[:, 0::2] torch.sin(position * div_term) pe[:, 1::2] torch.cos(position * div_term) pe pe.unsqueeze(0).transpose(0, 1) self.register_buffer(pe, pe) def forward(self, x): x x self.pe[: x.size(0), :] return self.dropout(x)位置編碼使用正弦余弦函數好處是它能外推到更長序列并且相對位置信息隱含在相位差中。下面是編碼器層class FeedForward(nn.Module): def __init__(self, d_model, d_ff, dropout0.1): super().__init__() self.linear1 nn.Linear(d_model, d_ff) self.linear2 nn.Linear(d_ff, d_model) self.dropout nn.Dropout(dropout) def forward(self, x): x self.linear1(x) x torch.relu(x) x self.dropout(x) x self.linear2(x) return x class EncoderLayer(nn.Module): def __init__(self, d_model, n_head, d_ff, dropout0.1): super().__init__() self.self_attn MultiHeadAttention(d_model, n_head, dropout) self.ffn FeedForward(d_model, d_ff, dropout) self.norm1 nn.LayerNorm(d_model) self.norm2 nn.LayerNorm(d_model) self.dropout nn.Dropout(dropout) def forward(self, x, maskNone): x x self.dropout(self.self_attn(x, x, x, mask)) x self.norm1(x) x x self.dropout(self.ffn(x)) x self.norm2(x) return x注意這里先做殘差再 LayerNorm這種寫法叫 Post-Norm是原始 Transformer 的實現方式。實際工程中很多模型改用 Pre-Norm即先 LayerNorm 再做殘差訓練更穩定后面會細說。最后是完整編碼器模型class TransformerEncoder(nn.Module): def __init__(self, vocab_size, d_model, n_head, n_layers, d_ff, max_len, num_classes, dropout0.1): super().__init__() self.embedding nn.Embedding(vocab_size, d_model) self.positional_encoding PositionalEncoding(d_model, max_len, dropout) self.layers nn.ModuleList([ EncoderLayer(d_model, n_head, d_ff, dropout) for _ in range(n_layers) ]) self.norm nn.LayerNorm(d_model) self.fc_out nn.Linear(d_model, num_classes) def forward(self, x, maskNone): x self.embedding(x) x self.positional_encoding(x) for layer in self.layers: x layer(x, mask) x self.norm(x) cls_rep x[:, 0, :] # 取第一個 token 的表示作為分類結果 logits self.fc_out(cls_rep) return logits這里我們采用一個常見做法在每個序列開頭加一個特殊的 [CLS] token最后用它的表示做分類。這個思路來自 BERT在文本分類任務里非常實用。5.3 訓練腳本train.py再寫一個最小訓練腳本。數據部分用一個小型文本分類演示你可以替換成自己的數據集。import torch import torch.nn as nn from torch.utils.data import DataLoader, Dataset from model import TransformerEncoder # 假設有 4 條簡單樣本 texts [ this movie is great, the film is terrible, I love this book, what a waste of time ] labels [1, 0, 1, 0] # 構造詞表 def build_vocab(texts): vocab {pad: 0, cls: 1} for text in texts: for word in text.split(): if word not in vocab: vocab[word] len(vocab) return vocab vocab build_vocab(texts) max_len 6 def encode(text, vocab, max_len): tokens [cls] text.split()[: max_len - 1] ids [vocab.get(w, 0) for w in tokens] ids ids [0] * (max_len - len(ids)) return torch.tensor(ids, dtypetorch.long) class TextDataset(Dataset): def __init__(self, texts, labels, vocab, max_len): self.texts texts self.labels labels self.vocab vocab self.max_len max_len def __len__(self): return len(self.texts) def __getitem__(self, idx): x encode(self.texts[idx], self.vocab, self.max_len) y torch.tensor(self.labels[idx], dtypetorch.long) return x, y dataset TextDataset(texts, labels, vocab, max_len) dataloader DataLoader(dataset, batch_size2, shuffleTrue) model TransformerEncoder( vocab_sizelen(vocab), d_model32, n_head4, n_layers2, d_ff64, max_lenmax_len, num_classes2, dropout0.1 ) criterion nn.CrossEntropyLoss() optimizer torch.optim.AdamW(model.parameters(), lr3e-4) for epoch in range(30): total_loss 0 for x, y in dataloader: optimizer.zero_grad() logits model(x) loss criterion(logits, y) loss.backward() optimizer.step() total_loss loss.item() if (epoch 1) % 5 0: print(fEpoch {epoch 1}, Loss: {total_loss / len(dataloader):.4f})這里使用AdamW而不是傳統 Adam因為它把權重衰減和梯度更新解耦是 Transformer 訓練中最常用的優化器。5.4 這份實現缺了什么可以看到上面的實現是一個編碼器模型適合做分類但它不是完整的編碼器-解碼器 Transformer。如果你想做翻譯或生成任務還需要實現DecoderLayer加入掩碼自注意力和交叉注意力。masked_fill 的因果掩碼確保位置 i 只能看到它之前的位置。訓練時用 teacher forcing推理時逐步生成。不過對大多數想理解 Transformer 核心機制的人來說理解編碼器已經建立了一個非常重要的基礎。6. 運行結果與效果驗證把上面兩個文件放在同一目錄下然后運行python train.py預期輸出類似Epoch 5, Loss: 0.6123 Epoch 10, Loss: 0.4371 Epoch 15, Loss: 0.2789 Epoch 20, Loss: 0.1682 Epoch 25, Loss: 0.1094 Epoch 30, Loss: 0.0731如何判斷模型訓練成功了Loss 是否在持續下降。如果 loss 停滯或升高說明學習率可能太大或代碼存在 bug。訓練完成后可以看預測結果model.eval() with torch.no_grad(): sample encode(this film is terrible, vocab, max_len).unsqueeze(0) logits model(sample) pred torch.argmax(logits, dim-1).item() print(Predicted label:, pred)如果訓練順利這條樣本應該輸出 0。如果輸出 1說明模型還沒收斂可以增加訓練輪數。從實操角度看這里第一個要檢查的地方不是 loss而是:詞表構建是否正確有沒有把詞映射到正確的索引。輸入 batch 是否完整填充到相同的長度。位置編碼的維度是否和 embedding 維度一致。7. 從 NLP 到視覺Vision Transformer 與 Swin TransformerTransformer 真正讓人驚訝的地方是它從語言模型進入了計算機視覺領域并且開始挑戰 CNN 的地位。7.1 Vision Transformer 的核心思路Vision Transformer 的做法很直接。把一張圖片切成一堆 patch比如 224x224 的圖片切成 16x16 的 patch會得到 196 個 patch。每個 patch 展平成一個向量經過線性映射后變成 token。再加上一個 [CLS] token 和位置編碼然后送入標準的 Transformer 編碼器。最后用 [CLS] token 的表示做分類。這個設計最吸引人的一點是幾乎沒有為視覺任務定制專門的架構直接把圖像變成了序列就取得了很好的效果。它證明 Transformer 的建模能力不限于文本。但 ViT 有一個明顯弱點需要大規模數據預訓練。因為 patch 之間沒有 CNN 那種天然的先驗知識在小數據集上容易過擬合。7.2 Swin Transformer 的改進Swin Transformer 為了解決 ViT 的問題引入了兩個關鍵設計層次化結構不同階段逐漸降低分辨率、增加通道數類似 CNN 的 pyramid 結構。窗口注意力在局部窗口內計算自注意力限制計算復雜度。窗口注意力雖然減少了計算量但窗口之間信息無法交互。Swin Transformer 為此引入了 shifted window 機制交替移動窗口讓不同窗口之間的 token 有機會互相看到。這樣既保留了 Transformer 的建模能力又讓計算復雜度從 O(n^2) 降到了 O(n)。從工程角度看Swin Transformer 的一個價值在于它更容易復用到檢測、分割等稠密預測任務上。ViT 處理這類任務時需要額外設計而 Swin 的層次化結構天然適配。7.3 視覺 Transformer 的落地選擇做圖像分類時到底該選 CNN 還是 Transformer一個務實的建議是如果數據集很小比如幾千張圖片建議先從 ResNet 這類 CNN 入手。如果有大規模數據或者能用預訓練權重ViT 和 Swin Transformer 值得優先考慮。如果要部署到邊緣設備CNN 在速度、顯存占用、推理優化上通常更省心。這里并不是說 Transformer 一定比 CNN 好只能說它的架構選擇面更寬、上限更高但需要的數據和算力也更多。8. Transformer 的改進方向與工程實踐8.1 訓練穩定性原始 Transformer 的 Post-Norm 結構在深層網絡下容易出現訓練不穩。現在的主流做法是 Pre-LayerNorm即x x Sublayer(LayerNorm(x))這個改動雖然簡單但對深層模型有明顯幫助。GPT、BERT 后續版本以及很多開源大模型都采用了 Pre-Norm 結構。理解這一點的價值在于你在復現別人代碼時會看到兩種不同的寫法不要覺得是錯誤只是設計選擇不同。8.2 長序列優化Transformer 平方復雜度的短板催生了一系列優化方法sparse attention只讓每個 token 關注部分位置而不是全部。FlashAttention從訪存優化的角度減少顯存占用不改變數學結果。Longformer、BigBird針對超長文本設計稀疏注意力模式。上下文擴展在大模型中通過調整位置編碼的方式支持更長上下文。實際應用里如果你只是處理幾千 token 的文本標準注意力完全夠用。如果文本動輒幾萬甚至幾十萬 token就需要考慮這些優化手段。8.3 工程落地建議在實際業務中很少有人真的從隨機初始化開始訓練一個 Transformer。最穩妥的路徑是使用預訓練模型比如 BERT、RoBERTa、ViT、Swin Transformer。在自己的領域數據上做微調fine-tuning。評估效果時不僅看準確率還要看推理延遲、顯存占用、模型體積。這里要特別提醒一點如果你用預訓練模型上游模型使用的分詞器和你的文本處理方式必須一致。很多亂碼和效果差的問題源頭其實是分詞器配置不對而不是模型結構改錯了。8.4 關于“漲點”這件事熱搜里經常能看到“Transformer 漲點”的說法。所謂漲點是指通過調整模型結構或訓練策略在某個 benchmark 上提升指標。常見漲點手段包括改位置編碼從絕對位置編碼換成 RoPE。調整初始化某些初始化策略對深層網絡的收斂速度影響很大。用更好的激活函數比如把 ReLU 換成 GELU 或 SwiGLU。調整 dropout 位置在 attention 計算后的 dropout 和 FFN 后的 dropout效果差異較明顯。但漲點往往依賴具體數據和任務。別人在論文里漲點不意味著你的業務也一定漲。務實的做法是把改進當作實驗變量每次只改一個因素記錄效果而不是一股腦堆疊所有技巧。9. 常見問題與排查方法問題現象可能原因排查方式解決方案Loss 不下降學習率過大或過小數據歸一化不一致打印梯度統計嘗試多個學習率使用 warmup 合適的學習率如 3e-4訓練時報 NaN注意力分數過大分母為 0檢查輸入是否包含 NaN檢查位置編碼確認 mask 正確增加 eps降低學習率序列長度變化時報錯位置編碼 max_len 設置過小查看報錯堆棧中的 reshape 行增大 max_len或改用相對位置編碼多頭注意力維度不匹配d_model 無法被 n_head 整除檢查 assert 條件調整 d_model 或 n_head預測結果總是同一個類別類別不平衡模型未收斂查看驗證集 loss打印 logits 分布先訓練足夠輪數必要時調整類別權重位置編碼無效位置編碼加在錯誤的維度上打印位置編碼 shape 和輸入 shape對齊 max_len 與輸入序列長度GPU 顯存不足序列過長注意力矩陣太大逐步縮小 batch_size 或 max_len使用梯度累積采用 sparse attention第一排查優先級永遠是數據。模型不會憑空產生錯誤輸出絕大多數問題都能追溯到輸入數據、mask 或者詞表構造階段。代碼里加上斷言和日志能省下大量調試時間。10. 下一步實踐路徑如果你讀完這篇文章最好的實踐方式不是再去背概念而是按下面兩條路選一條走。第一條路徑從零改代碼。把我給出的實現繼續完善比如加上解碼器、實現因果掩碼然后訓練一個簡單的中文文本生成模型。這個過程會逼迫你理解每個矩陣的維度變化。第二條路徑用開源庫做項目。如果你關心的是應用層可以先把 Hugging Face Transformers 這類庫用熟用預訓練 BERT 做文本分類用 ViT 做圖像分類。通過微調任務反向理解模型內部機制也是很多工程師的實際學習路徑。我個人更推薦這兩條路結合。先在開源庫上跑通一個任務再回來看代碼實現很多之前看不懂的概念會瞬間串起來。Transformer 的核心其實不復雜它只是把“根據上下文加權地更新每個元素”這件事做到了極致。真正復雜的是它衍生出來的工程實踐數據處理、訓練技巧、推理優化、多模態融合。這些都需要你在具體項目中一點點積累。把這個最小實現跑通是理解整個生態的第一步。建議把文章里這幾段代碼保存成模板下次遇到 Transformer 相關項目時你會感謝當初愿意從零寫一遍的自己。