🎯 课程主题

Transformer 算法原理与实战课程的整体介绍与学习路线规划。

📝 核心知识点

1. Transformer 算法的重要性

• 概念说明：Transformer 是深度学习领域极其重要的算法，其重要程度不亚于 ResNet，是深度学习必学算法之一。
• 关键细节：
  • 最初应用于自然语言处理（NLP）方向的机器翻译任务
  • 因性能强大，后续被沿用至计算机视觉等方向
  • 核心在于大量使用注意力机制（Attention）
  • 论文名为《Attention is All You Need》

2. 课程结构

• 概念说明：课程分为原理与实战两大部分。
• 关键细节：
  • 第一章：课程先导
  • 第二章：算法原理（共 18 个小节），重点讲解注意力机制
  • 第三章：代码实战，基于机器翻译任务构建 Transformer 模型
  • 80% 的代码时间用于讲解如何用 Python 构建 Transformer 架构

3. 课程资料

• 概念说明：课程提供完整的配套学习资料。
• 关键细节：
  • 环境安装与软件安装教程文档
  • 基于机器翻译任务的 Transformer 代码（注释清晰）
  • 精美的模型结构图解课件
  • 实战文档（从数据到模型训练与架构）
  • 原论文《Attention is All You Need》

🧮 核心公式与推导

无

🏗️ 模型架构与数据流向

本节为课程导论，主要介绍课程整体框架，未涉及具体模型架构细节。后续章节将逐步展开 Transformer 各组件的讲解。

💻 代码实战

无（本节为课程介绍，无具体代码）

⚠️ 常见问题与避坑指南

• 原理部分是后续代码实战的基础，务必先学好原理再进入代码部分
• 课件中的模型结构图是理解 Transformer 架构的关键，需重点学习

💡 个人总结与延伸

本节课作为 Transformer 系列课程的开篇，明确了该算法在深度学习领域的核心地位。Transformer 不仅奠定了现代 NLP 的基础，更是当前大语言模型（如 ChatGPT、DeepSeek、Gemini、通义千问等）的底层架构，其影响已延伸至视觉（ViT）和多模态领域。