访问官网
Github
文档
论文Transformers 配方项目介绍
Transformer 是一种为自然语言处理（NLP）任务而开发的深度学习架构，近年来迅速发展并应用于计算机视觉和强化学习等众多领域。Transformers-Recipe 项目旨在为机器学习和自然语言处理学习者提供一个详细的学习指南，帮助他们了解和掌握 Transformer 技术。这是一个丰富的资源集合，能指导学习兴趣者理解 Transformer 的概念、结构和应用。
项目背景
Transformers 的发明加速了自然语言处理任务的新技术和模型开发。尽管它最初是为处理语言任务而设计的，如今已经在计算机视觉等其他领域广泛应用。可以说，Transformer 是现代机器学习领域中最重要的概念之一，也是软件开发者、研究人员和学生必须掌握的技术。
学习导向资源
为了帮助学习者从基础到深入了解 Transformer，项目提供了一系列精选的学习材料和资源。这些资源包括从高层次概念介绍到技术细节解析，再到实际代码实现的完整学习路径。
初步介绍
了解 Transformer 的第一步是获取一个高层次的概念性理解。以下资源各具特色：
- Transformer 简介 - 讲义笔记
- 从零开始学习 Transformer
- Transformer 在深度学习和 NLP 中的工作原理：直观介绍
- Stanford CS25 - Transformers United
- 语言理解的深度学习
- Transformer 模型导览与目录
深入解析 Transformer
在获得概念性理解后，可以通过以下教程更深入地学习 Transformer 的内部工作机制：
技术总结
如果需要全面的技术总结，Lilian Weng 的博客提供了出色的概述：
实践实现
理解理论后，实施和实践是重要的一步。以下教程能帮助学习者从零开始实现 Transformer：
了解最新 Transformer 的深入实现，可参阅 Papers with Code 收集方法。
基本论文学习
"Attention Is All You Need" 是 Transformer 架构的开创性论文，值得在对 Transformer 有基本理解后深入阅读。
实际应用
实践中，学习者可能会想将 Transformer 应用于不同的 NLP 项目和研究中。Hugging Face 的 Transformers 库是一个极佳的工具：
此外，Hugging Face 团队还出版了一本关于 NLP 与 Transformers 的新书，同样值得学习探索。
大型语言模型学习清单
作为项目的额外内容，Sebastian Raschka 提供了一份关于大型语言模型（LLM）的阅读清单：
项目展望
项目将不断更新，未来计划增加更多 Transformer 应用案例和学术论文，预计还将推出易于实验的代码实现。学习者也可以在社交媒体上关注项目发布者以获取最新资源更新。
