CNN（卷积神经网络）和Transformer是深度学习领域两种主流神经网络架构，分别擅长处理局部特征提取和全局依赖建模，
在计算机视觉、自然语言处理等任务中各有优势 。
核心架构与工作原理
CNN 的核心机制：通过卷积层、池化层和全连接层的层级结构，自动提取输入数据的局部特征，具备参数共享和局部连接的结构优势 。
卷积层：通过卷积核在输入图像上滑动，进行局部区域的特征提取，减少计算量并增强模型泛化能力 。
池化层：降低特征图维度，减少计算量和内存消耗，常见操作包括最大池化和平均池化 。
主要特点：局部连接、权重共享、自动特征提取，对特征具有平移不变性 。
Transformer 的核心机制：基于自注意力机制（Self-Attention），通过并行计算和多层特征抽取，有效解决长序列依赖问题 。
自注意力机制：允许模型在处理序列数据时同时考虑输入序列中所有位置的信息，捕捉长距离依赖关系 。
编码器与解码器：编码器将输入序列转换为特征向量，解码器根据特征向量生成输出序列 。
主要特点：全局信息交互、高并行性、可扩展性强，尤其适合处理序列数据 。
参考：
CNN vs Transformer：十年缠斗，谁将主宰下一代视觉模型？
http://www.uml.org.cn/ai/202503044.asp