AI Engineering · 第 8 章 Transformer 深入

AI Engineering · 第 8 章 Transformer 深入

章节摘要:本章对应原课程「07-transformers-deep-dive」,属「第二篇·生成与强化」。现代 AI 的基石——注意力、BERT、GPT、MoE、缩放定律。本章共 16 节,前置依赖为「第6章」。Transformer 不是魔法,只是被工程化到极致的注意力机制。 本章将带你逐节吃透这一领域的核心概念,并尽量从零手工实现,再用主流框架对比验证。

学习目标

阅读完本章,你应当能够:

1. 理解Transformer 深入在整个 AI 工程体系中的定位(现代 AI 的基石——注意力、BERT、GPT、MoE、缩放定律)。
2. 掌握本章 16 节覆盖的核心概念与算法。
3. 能够从零实现本章的关键模型/机制,并用框架对比验证。
4. 说清本章与前后章节的依赖关系(前置:第6章)。
5. 识别本章主题在生产实践中的常见应用与陷阱。

注:具体学习目标将在各子节汉化时细化为可考核的能力点。

核心概念速览

Transformer 不是魔法,只是被工程化到极致的注意力机制。

注:本章的 Mermaid 概念图将在支柱页完善时替换为本章核心架构/流程图(基于原 Phase README 与首节内容绘制)。

子章节导航

01 Why Transformers — The Problems with RNNs

02 Self-Attention from Scratch

03 Multi-Head Attention

04 Positional Encoding — Sinusoidal, RoPE, ALiBi

05 The Full Transformer — Encoder + Decoder

06 BERT — Masked Language Modeling

07 GPT — Causal Language Modeling

08 T5, BART — Encoder-Decoder Models

...(本章共 16 节,详见原项目 phases/07-transformers-deep-dive/)

子章节之间的逻辑关系

本章共 16 节,按原课程的编号顺序递进。详细的逻辑关系图将在支柱页完善时补充(基于各节的依赖与铺垫关系)。

本章第 01 节 ... ──► 第 16 节
   │
   ▼
下一章(第 9 章)
​

前置知识与后续延伸

前置知识:

• 第6章

本章为后续章节奠定的基础:

• 见原课程 README 的 Phase 依赖图(原项目根 README.md)。

本章支柱页为骨架初稿,各板块将在对应章节汉化推进时细化。原英文内容位于 phases/07-transformers-deep-dive/,每节正文为 docs/en.md,汉化状态见「教程规划.md」的待汉化清单。