视觉 Transformer 与多模态模型
本文系统讲解视觉 Transformer 与多模态模型，回答 ViT 为什么需要大数据预训练、Swin 的窗口注意力解决什么、CLIP 的零样本分类怎么用等实战问题。覆盖自注意力复杂度、patch embedding、位置编码、DeiT、Swin、ConvNeXt 与图文多模态，并给出 timm 推理与 CLIP 零样本分类两段可运行代码，附模型对比表、权衡与常见坑。
tag
Transformer
共 4 篇文章。
NLP 入门实战：文本向量化、词嵌入与情感分析
从零构建 NLP 实战：文本预处理流水线、Bag-of-Words/TF-IDF 向量化、Word2Vec/GloVe 词嵌入、RNN 与 Transformer 结构、情感分析端到端（scikit-learn + PyTorch）、HuggingFace 生态。
时序预测实战：从 ARIMA 到时序基础模型
时序预测是销量、流量、运维与金融风控的核心能力，方法栈从经典统计到深度学习不断演进。本文系统讲解时序预测实战全链路：经典统计方法（ARIMA/ETS）、分解与平稳性检验、机器学习方法（LightGBM/XGBoost 特征工程）、深度方法（LSTM/TCN/Transformer/时序基础模型）、多步与滚动预测策略、评估指标（MSE/MAPE/Pinball），以及在线推理与生产部署的完整案例。
06. RNN、LSTM、GRU 与 Transformer
从 RNN 到 Transformer：序列建模演进，LSTM/GRU 门控机制、Self-Attention、多头注意力位置编码与 BERT/GPT 架构解析