Transformers是一种用于处理序列数据的神经网络架构，最初由Vaswani等人在2017年提出，主要用于自然语言处理任务。与传统的循环神经网络（RNN）和卷积神经网络（CNN）不同，Transformers采用了一种全新的注意力机制，显著提高了模型的性能和训练效率。以下是Transformers的主要特点：
1. 自注意力机制（Self-Attention Mechanism）
Transformers的核心是自注意力机制，它允许模型在处理一个序列中的某个元素时，能够关注序列中所有其他元素。这种机制可以捕捉长距离的依赖关系，解决了传统RNN在处理长序列时的难题。
2. 并行计算
由于Transformers不依赖于序列顺序，它可以同时处理序列中的所有元素，从而支持高度并行化的计算。这使得训练速度显著加快，比传统RNN快很多。
3. 编码器-解码器架构（Encoder-Decoder Architecture）
Transformers最初是为序列到序列任务设计的，比如机器翻译。它由编码器和解码器两部分组成：
- 编码器：处理输入序列，生成一组特征表示。
- 解码器：根据编码器生成的特征表示和先前的输出，生成目标序列。
4. 多头注意力机制（Multi-Head Attention）
多头注意力机制通过并行的多个注意力头（attention heads），能够从不同的表示空间中学习到更多的信息。每个头独立地计算自注意力，然后将结果进行拼接，最后通过线性变换结合。这种机制增强了模型的表示能力。
5. 位置编码（Positional Encoding）
由于Transformers不具有内在的序列顺序信息，需要额外引入位置编码来表示序列中元素的位置。位置编码通过向输入向量中添加位置信息，使模型能够利用序列的顺序信息。
6. 无卷积无循环（No Convolutions or Recurrences）
Transformers完全基于注意力机制和全连接层，不使用任何卷积或循环结构。这使得模型能够更好地并行化处理数据，提升计算效率。