传统大地电磁反演通常是基于确定性梯度的迭代求解，不仅需要大量时间计算雅可比矩阵，还依赖于初始模型的输入和正则化因子等参数的设置。近年来学者们不断引入机器学习方法以试图改善大地电磁反演，该方法不需要计算雅可比矩阵，不用输入初始模型，训练好的网络仅需几毫秒就可实现反演成像。这里利用Google团队提出的Transformer神经网络经典框架搭建大地电磁数据和模型之间的映射网络，以9 240组正演数据为样本，对Transformer网络参数进行训练。采用南非开源大地电磁数据，实现了由视电阻率图像到电阻率模型的反演成像。研究表明：(1)经训练后的Transformer网络可以较准确的反映出异常体位置和大小；(2)网络实现了简单的矩阵并行化运算，大幅度提高训练的效率，且成像效率高于传统的反演。