Transformer：让神经网络学会“全局扫描”——从“逐字阅读”到“一眼看懂”
使用自注意力机制实现编码器-解码器模型
注意力机制：让神经网络学会“重点回顾”
让解码器在生成每个词时，能“回头看”输入序列，自动找到最相关的部分，它解决了 Seq2Seq 的核心痛点，上下文向量容量有限，长句子信息丢失严重
Seq2Seq：教神经网络“中译英”——从一句话到一段话
Seq2Seq 就像一个“双人翻译小组”，用编码器把所有意思浓缩成一个“小纸条”，再让解码器看着这张小纸条，用另一种语言说出来
LSTM：给神经网络装上“长期记忆”
RNN记性不太好，如果文章太长，前面写的笔记就会慢慢模糊，甚至被新内容覆盖，用长短期记忆网络LSTM来改进
RNN：让神经网络学会“记笔记”
RNN 就像一个会写读书笔记的学生，每读一个词，他就翻看之前的笔记，结合新词，写下新的理解，这样，整段话的“上下文”就被保存在了最后一页笔记里
改进Word2Vec：从“暴力计算”到“聪明学习”
Word2Vec 原始模型计算太慢？本文带你升级！用 nn.Embedding 替代 one-hot，高效提取词向量。引入负采样，化“大海捞针”为“真假判断”，大幅加速训练。代码实战，教你打造聪明高效的词向量模型。
自然语言处理入门：从一句话到词向量——用PyTorch实现Word2Vec
计算机不懂人类语言，它只懂数字。我们要让AI理解“猫”和“狗”是相似的动物，第一步就是把“猫”变成一串数字向量——这就是Word2Vec的核心思想。