推荐了transformer的文章，不愧是机器学习中的最新结构，看起来太复杂了。

但是，通过信息流的模型，可以大大简化。如此复杂的模型，本质上还是节点连线模式，因为人们常用的理论组织方式就是这样的，对于输入施行一系列复杂运算，获得输出，没什么神秘的地方。

对于模型的理解，分为几个阶段，第一个阶段就是整体流动图，反映了信息从输入到输出的拓扑连接方式，第二个阶段就是局部动力学图，对每一条连线都搞清楚，可以表述出从输入到输出的具体变化。第三个阶段就是整体功能性分析，使用模型的目的是为了实现某一功能，所以需要把功能与结构对应起来，明白模型的紧要连接处和次要连接处，这就开始了模型的优化。

经过这三个阶段，问题差不多就解决了，第一阶段和第二阶段前半一般是理论学习，第二阶段后半和第三阶段就必须结合实践了。如果各个阶段同时进行，那就估计啥也看不懂了，基础没打好，怎么可能直接贯通。

流动模型的一次应用。结合抽象和模块化的思想，可以表示得更简洁清楚。将大结构按照一定功能抽象为小结构的连接，先对各种小结构进行三阶段分析，然后再考虑大结构，学习路径就显得非常清晰了。