https://mp.weixin.qq.com/s?__biz=MzUzNTczMDMxMg==&mid=2247597949&idx=4&sn=65c0d353d02b060fec98ec799f217ae1&chksm=fa823e9acdf5b78cd71cfcb060e3b60125b17afbe3e19ef423d4709d2df7fc93d90ce3097253&token=1478784511&lang=zh_CN#rd前言
近年来，伴随着以卷积神经网络（CNN）为代表的深度学习的快速发展，人工智能迈入了第三次发展浪潮，AI技术在各个领域中的应用越来越广泛。
第 一 注意力（Attention）机制
**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：**用机器翻译任务带你了解Attention机制、如何计算注意力权重？
3、注意力机制的一些变体（硬性注意力机制、软性注意力机制、键值对注意力机制、多头注意力机制、多头注意力机制、......）。
4、注意力机制的可解释性（如何使用注意力机制进行模型解释？注意力机制的可视化技术？）
第 二 Transformer 模型
1、Transformer模型拓扑结构
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？）
第 三 生成式模型
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）。
第 四 目标检测算法
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）。
第 五 图神经网络
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。
第 六 强化学习
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？）
第 七 深度学习模型可解释性与可视化方法
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