Mamba、Transformer、RNN架构设计对比和演化过程详解-CSDN博客

Mamba凭借其超强性能，被视为Transformer的颠覆者，但Transformer依然是当今大模型不可或缺的基座架构！自「Attention Is All You Need」首次提出自注意力机制，到BERT开创了预训练语言模型浪潮，以及后来的ViT、Swin Transformer、SegFormer、ViLT、（GPT-4）Toolformer、扩散模型，Transformer无疑是NLP、CV乃至生成大模型等科研方向的必备搭子！

研梦非凡特邀请了世界Top10高校博士，发表过10+篇顶会的杨导师，5月22日（周三）独家开讲《Transformer系列论文科研能力提升课》，以Transformer为主线，全面介绍注意力机制在NLP、CV等研究领域的发展历程，带大家掌握以上9个优秀模型的关键技术（不要错过Mamba彩蛋！），深入理解Transformer在不同模态研究中的广泛应用，找科研idea，算法岗面试再也不怵！（下滑查看课程大纲）

▼ 扫描二维码找助教开课

可再领取5本Transformer必读书籍pdf+116篇必读论文+文末超多科研福利

一、课程收获

✨ 9篇Transformer必读论文get！

全面掌握Attention机制在NLP、CV等研究领域的发展历程
深入理解Transformer于不同模态中的具体应用，盘点9个优秀模型的技术贡献
掌握多个研究领域的最新技术，对比分析各模态中的优劣及前景

✨ 论文读写研究能力up！

梳理9篇论文的问题提出及方法优化，拓宽研究视野
参与讲师课堂疑难讨论，快速消化知识点，提升研究能力
系统学习论文相关工作后，可在讲师指点下，围绕关心课题开展实验或理论研究

二、课程亮点

介绍Transformer模型的基础结构，及其在纯语言模型、多模态大模型中的应用
解析Transformer模型的训练及推理细节、硬件上高效运行的方法
探究Transformer模型与轻量化技术结合的潜力，比如模型的量化、剪枝、高效采样方法、内存高效读取等
展示Transformer模型在各领域中的灵活运用，包括但不限于知识图谱、问答、对话、推荐等

▼扫描二维码找助教开课

三、课程大纲

🔸第1课 Attention Is All You Need（5月22日）

Transformer模型必学的开山之作！

直播课内容：

Transformer模型的基本结构、组成及关键组件
对比RNN和Transformer在处理序列数据时的不同策略
自注意力机制如何捕捉序列内部的长距离依赖关系、如何实现并行计算
Transformer在机器翻译、文本摘要等任务中的应用案例

🔸第2课 BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

论文创新点：【Transformer架构在NLP方向研究应用】这篇论文提出了BERT预训练模型，它采用深层双向Transformer架构，可以学习词含义的上下文信息。

直播课内容：

BERT模型在NLP任务中的革命性影响、创新点讲解、预训练目标和训练策略
MLM任务、NSP任务如何帮助模型捕捉语言的复杂性
解释Transformer的编码器结构，讨论多头注意力机制在BERT中的应用
讨论RoBERTa、ALBERT等变体对BERT模型的改进和优化

🔸第3课 (ViT) An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale（敬请期待）

论文创新点：【Transformer架构在CV方向研究应用】这篇论文提出ViT模型，实现了Transformer在计算机视觉中的首次应用。ViT demostrated 了Transformer能力在视觉任务上的潜力，突破了CNN在这方面的主导地位。

直播课内容：

学习ViT模型在图像识别任务中的创新点、影响及基本结构
ViT模型的动机和目标，对比ViT与CNN在图像处理上的差异
patches如何被编码成序列以适应Transformer模型
讨论多头自注意力机制在ViT中的应用
ViT模型的预训练策略，以及在不同规模数据集上的性能表现

🔸第4课 Swin Transformer：Hierarchical Vision Transformer using Shifted Windows（敬请期待）

论文创新点：【Transformer在高分辨率影像研究领域的应用】这篇论文提出的Swin Transformer采用了移动窗机制，将图像切分为不同視窗进行处理，实现了Transformer在高分辨率影像领域的应用。

直播课内容：

Swin Transformer如何通过移动窗机制处理高分辨率图像，及移动窗机制的工作原理
Swin Transformer的关键技术：分块标准化（Shifted Window）技术及其作用
Swin Transformer在图像识别任务中的表现：模型如何优化特征提取能力
与其他Vision Transformer的比较，Swin Transformer在高分辨率影像处理上的优势，及模型在多模态任务中的应用前景

🔸第5课 SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers（敬请期待）

论文创新点：【Transformer在语义分割方向的应用】SegFormer利用先进的TransformerEncoder-Decoder结构，在没有使用任何额外如位置编码或非局部信息的情况下，进行语义分割，并取得突出的效果。

直播课内容：

Transformer在图像分类任务中的应用，并引入其在语义分割中的潜力
Transformer结构对细粒度视觉任务的适应性，SegFormer模型的动机、目标及Encoder-Decoder结构
SegFormer如何在不同尺度上捕捉特征，其简洁性和效率，以及其对性能的影响
SegFormer的语义分割流程：将Transformer应用于语义分割任务，模型如何处理输入图像并生成分割图

🔸第6课 ViLT: Vision and Language Transformer Without Convolution or Region Supervision（敬请期待）

论文创新点：【Transformer在多模态领域的应用】这篇论文提出的ViLT是第一个不需要卷积操作和区域级监督，就可以良好实现视觉语言交互任务的Transformer模型。ViLT直接使用序列输入进行多模态融合和理解，省去了特征提取阶段，取得了和CNN相当或更好的效果。

直播课内容：

ViLT模型的核心创新、模型结构和关键组件
ViLT在处理多模态数据时，如何实现视觉和语言信息的有效融合
ViLT的效率和效果，性能评估——对比ViLT和基于CNN的模型在各项任务中的表现
ViLT如何拓展Transformers在不同模态之间的应用场景，及其在多模态任务中的潜在改进空间

🔸第7课 (GPT-4)Toolformer: Language Models Can Teach Themselves to Use Tools（敬请期待）

论文创新点：【Transformer在GPT-4的应用】这篇论文提出了Toolformer模型，它能够通过逻辑推理和自我训练学习如何使用具体工具来完成任务，而无需事先提供使用例子。Toolformer是第一个能自行学习使用工具的语言模型。

直播课内容：

语言模型在智能助手和自动化任务中的应用，创新之处和研究动机
Toolformer模型的基本结构、工作原理、关键技术，如强化学习、模仿学习等
Toolformer在各类任务上的表现，讨论模型如何推动语言模型参与更复杂的实际任务
Toolformer如何展示Transformer在语言理解方面的高级能力

🔸第8课 Scalable Diffusion Models with Transformers（敬请期待）

论文创新点：【Transformer与扩散模型结合】采用Transformer可以突破传统扩散模型在规模和效率上的限制。它利用Transformer处理高维度数据，实现了先进的可生成视觉效果。

直播课内容：

Transformer在生成扩散模型中的应用及其潜力
Transformer如何适应高维度数据处理
基于Transformer的扩散模型架构，利用Transformer生成高维度的视觉数据
对比传统扩散模型和基于Transformer的模型性能

🔸第9课 Mamba VS Transformer（惊喜彩蛋！！！）

▼ 扫描二维码找助教开课+领文末超多科研福利

四、讲师介绍

杨导师

学术背景 世界Top10大学计算机科学毕业博士。主要研究方向为计算机视觉、自然语言处理、高效的深度学习训练和推理方法、大语言模型轻量化与高效微调技术。曾在多家公司担任算法研究员，涉及计算机视觉、高效模型压缩算法、多模态大语言模型的相关研究，包括模型量化、剪枝、蒸馏、编译、高效稀疏化训练与推理

科研成果 在国际顶级会议CVPR、ICCV、EMNLP等发表10+篇论文，并担任CVPR、ICCV、ECCV、ICML、ICLR、NeurIPS等重要会议和期刊审稿人；拥有多项发明专利，指导学生有耐心，教学严谨，思维逻辑缜密，论文指导经验丰富

招收学生方向 计算机视觉、自然语言处理、高效模型压缩算法、多模态大语言模型，包括模型量化、剪枝、蒸馏、编译、高效稀疏化训练与推理、深度学习全栈研究