### 基于PyTorch框架实现完整Transformer模型用于翻译任务的代码示例 为了构建一个完整的基于PyTorch的Transformer模型来执行翻译任务，可以参考官方教程中的具体实现方法[^1]。下面是一个简化版的例子： ```python import torch.nn as nn import torch class TransformerModel(nn.Module): def __init__(self, src_vocab_size, tgt_vocab_size, d_model=512, nhead=8, num_encoder_layers=6, num_decoder_layers=6, dim_feedforward=2048, dropout=0.1): super(TransformerModel, self).__init__() self.src_embedding = nn.Embedding(src_vocab_size, d_model) self.tgt_embedding = nn.Embedding(tgt_vocab_size, d_model) self.transformer = nn.Transformer(d_model=d_model, nhead=nhead, num_encoder_layers=num_encoder_layers, num_decoder_layers=num_decoder_layers, dim_feedforward=dim_feedforward, dropout=dropout) self.fc_out = nn.Linear(d_model, tgt_vocab_size) def forward(self, src, tgt, src_mask=None, tgt_mask=None, memory_mask=None, src_key_padding_mask=None, tgt_key_padding_mask=None, memory_key_padding_mask=None): src_emb = self.src_embedding(src) * math.sqrt(self.d_model) tgt_emb = self.tgt_embedding(tgt) * math.sqrt(self.d_model) output = self.transformer(src_emb, tgt_emb, src_mask, tgt_mask, memory_mask, src_key_padding_mask, tgt_key_padding_mask, memory_key_padding_mask) return self.fc_out(output) ``` 此代码片段定义了一个标准的Transformer架构，其中包含了源语言和目标语言嵌入层、核心的`nn.Transformer`模块以及最终线性变换输出层。 对于更详细的训练过程和其他辅助函数（如数据预处理、损失计算等），建议查阅原始文档或GitHub上的资源列表[^2]。这些资料提供了关于如何设置整个工作流的具体指导。