查看原文>>>深度学习全景进阶:最新Python深度学习进阶与前沿应用
本文主要讲解注意力机制、Transformer模型(BERT、GPT-1/2/3/3.5/4、DETR、ViT、Swin Transformer等)、生成式模型(变分自编码器VAE、生成式对抗网络GAN、扩散模型Diffusion Model等)、目标检测算法(R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SDD等)、图神经网络(GCN、GAT、GIN等)、强化学习(Q-Learning、DQN等)、深度学习模型可解释性与可视化方法(CAM、Grad-CAM、LIME、t-SNE等)的基本原理及Python代码实现方法。(备注:本文为进阶内容,需要大家掌握卷积神经网络、循环神经网络等前序基础知识。同时,应具备一定的Python编程基础,熟悉numpy、pandas、matplotlib、scikit-learn、pytorch等第三方模块库。)
【内容简述】:
第一章:注意力(Attention)机制详解
1、注意力机制的背景和动机(为什么需要注意力机制?注意力机制的起源和发展)。
2、注意力机制的基本原理:什么是注意力机制?注意力机制的数学表达与基本公式、用机器翻译任务带你了解Attention机制、如何计算注意力权重?
3、注意力机制的主要类型:自注意力(Self-Attention)与多头注意力(Multi-Head Attention)、Soft Attention 与 Hard Attention、全局(Global)与局部(Local)注意力
4、注意力机制的优化与变体:稀疏注意力(Sparse Attention)、加权注意力(Weighted Attention)
5、注意力机制的可解释性与可视化技术:注意力权重的可视化(权重热图)
6、案例演示 7、实操练习
第二章:Transformer模型详解
1、Transformer模型的提出背景(从RNN、LSTM到注意力机制的演进、Transformer模型的诞生背景及其在自然语言处理和计算视觉中的重要性)
2、Transformer模型拓扑结构(编码器、解码器、多头自注意力机制、前馈神经网络、层归一化和残差连接等)
2、Transformer模型工作原理(为什么Transformer模型需要位置信息?位置编码的计算方法?Transformer模型的损失函数?)
3、自然语言处理(NLP)领域的Transformer模型:BERT、GPT-1 / GPT-2 / GPT-3 / GPT-3.5 / GPT-4(模型的总体架构、输入和输出形式、预训练目标、预训练数据的选择和处理、词嵌入方法、GPT系列模型的改进与演化、……)。
4、计算视觉(CV)领域的Transformer模型:DETR / ViT / Swin Transformer(DERT:基于Transformer的检测头设计、双向匹配损失;ViT:图像如何被分割为固定大小的patches?如何将图像patches线性嵌入到向量中?Transformer在处理图像上的作用?Swin:窗口化自注意力机制、层次化的Transformer结构、如何利用位移窗口实现长范围的依赖?)
5、案例演示 6、实操练习
第三章:生成式模型详解
1、变分自编码器VAE(自编码器的基本结构与工作原理、变分推断的基本概念及其与传统贝叶斯推断的区别、VAE的编码器和解码器结构及工作原理)。
2、生成式对抗网络GAN(GAN提出的背景和动机、GAN的拓扑结构和工作原理、生成器与判别器的角色、GAN的目标函数)。
3、扩散模型Diffusion Model(扩散模型的核心概念?如何使用随机过程模拟数据生成?扩散模型的工作原理)。
4、跨模态图像生成DALL.E(什么是跨模态学习?DALL.E模型的基本架构、模型训练过程)。
5、案例演示 6、实操练习
第四章:目标检测算法详解
1. 目标检测任务与图像分类识别任务的区别与联系。
2. 两阶段(Two-stage)目标检测算法:R-CNN、Fast R-CNN、Faster R-CNN(RCNN的工作原理、Fast R-CNN和Faster R-CNN的改进之处 )。
3. 一阶段(One-stage)目标检测算法:YOLO模型、SDD模型(拓扑结构及工作原理)。
4. 案例演示 5、实操练习
第五章:图神经网络详解
1. 图神经网络的背景和基础知识(什么是图神经网络?图神经网络的发展历程?为什么需要图神经网络?)
2. 图的基本概念和表示(图的基本组成:节点、边、属性;图的表示方法:邻接矩阵;图的类型:无向图、有向图、加权图)。
3. 图神经网络的工作原理(节点嵌入和特征传播、聚合邻居信息的方法、图神经网络的层次结构)。
4. 图卷积网络(GCN)的工作原理。
5. 图神经网络的变种和扩展:图注意力网络(GAT)、图同构网络(GIN)、图自编码器、图生成网络。
6、案例演示 7、实操练习
第六章:强化学习详解
1、强化学习的基本概念和背景(什么是强化学习?强化学习与其他机器学习方法的区别?强化学习的应用领域有哪些?
2、Q-Learning(马尔可夫决策过程、Q-Learning的核心概念、什么是Q函数?Q-Learning的基本更新规则)。
3、深度Q网络(DQN)(为什么传统Q-Learning在高维或连续的状态空间中不再适用?如何使用神经网络代替Q表来估计Q值?目标网络的作用及如何提高DQN的稳定性?)
4、案例演示 5、实操练习
第七章:物理信息神经网络(PINN)
1、 物理信息神经网络的背景(物理信息神经网络(PINNs)的概念及其在科学计算中的重要性、传统数值模拟方法与PINNs的比较)
2、 PINN工作原理:物理定律与方程的数学表达、如何将物理定律嵌入到神经网络模型中?PINN的架构(输入层、隐含层、输出层的设计)、物理约束的形式化(如何将边界条件等物理知识融入网络?)损失函数的设计(数据驱动与物理驱动的损失项)
3、 常用的PINN库和框架介绍
4、 案例演示 5、实操练习
第八章:神经架构搜索(Neural Architecture Search, NAS)
1、 NAS的背景和动机(传统的神经网络设计依赖经验和直觉,既耗时又可能达不到最优效果。通过自动搜索,可以发现传统方法难以设计的创新和高效架构。)
2、 NAS的基本流程:搜索空间定义(确定搜索的网络架构的元素,如层数、类型的层、激活函数等。)、搜索策略(随机搜索、贝叶斯优化、进化算法、强化学习等)、性能评估
3、 NAS的关键技术:进化算法(通过模拟生物进化过程,如变异、交叉和选择,来迭代改进网络架构)、强化学习(使用策略网络来生成架构,通过奖励信号来优化策略网络)、贝叶斯优化(利用贝叶斯方法对搜索空间进行高效的全局搜索,平衡探索和利用)
4、 案例演示 5、实操练习
第九章:深度学习模型可解释性与可视化方法详解
1、什么是模型可解释性?为什么需要对深度学习模型进行解释?
2、可视化方法有哪些(特征图可视化、卷积核可视化、类别激活可视化等)?
3、类激活映射CAM(Class Activation Mapping)、梯度类激活映射GRAD-CAM、局部可解释模型-敏感LIME(Local Interpretable Model-agnostic Explanation)、等方法原理讲解。
4、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。
5、案例演示 6、实操练习
其它相关推荐: