Python深度学习

原文链接：Python深度学习https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247608512&idx=1&sn=16e2a0bb6b0a1f6b513be173730090c0&chksm=fa826927cdf5e031b702deb04eef5cb0055f65b0d6e4c33588949ee81c7380ee044caeafd8c7&token=2068755524&lang=zh_CN#rd

前沿

 

第一：注意力（Attention）

1、注意力机制的背景和动机

2、注意力机制的基本原理

3、注意力机制的主要类型

4、注意力机制的优化与变体

5、注意力机制的可解释性与可视化技术
第二：Transformer模型​​​​​​​

1、Transformer模型的提出背景

2、Transformer模型拓扑结构

2、Transformer模型工作原理

3、自然语言处理（NLP）领域的Transformer模型

4、计算视觉（CV）领域的Transformer模型
第三：生成式模型

1、变分自编码器VAE

2、生成式对抗网络GAN

3、扩散模型Diffusion Model

4、跨模态图像生成DALL.E

第四：目标检测算法​​​​​​​

1、变分自编码器VAE

2、生成式对抗网络GAN

3、扩散模型Diffusion Model

4、跨模态图像生成DALL.E
第五：图神经网络

1. 图神经网络的背景和基础知识

2. 图的基本概念和表示

3. 图神经网络的工作原理

4. 图卷积网络（GCN）的工作原理。

5. 图神经网络的变种和扩展
第六：强化学习

1、强化学习的基本概念和背景

2、Q-Learning

3、深度Q网络（DQN）
第七：物理信息神经网络（PINN）
1、物理信息神经网络的背景
2、PINN工作原理
3. 常用的PINN库和框架
第八：神经架构搜索（Neural Architecture Search, NAS）
1、NAS的背景和动机
2、NAS的关键技术
3、NAS的基本流程
第九：深度学习模型可解释性与可视化方法​​​​​​​

1、类激活映射CAM

2、t-SNE的基本概念及使用t-SNE可视化深度学习模型的高维特征。