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。
|-----------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 第一章 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里程碑）。 **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：**键值对注意力机制（Key-Value Attention）、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）、自适应注意力（Adaptive Attention）、动态注意力机制（Dynamic Attention）、跨模态注意力机制（Cross-Modal 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 自然语言处理（NLP）领域的Transformer模型 | 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模型的进化之路（RCTM→RNN Encoder-Decoder→Bahdanau Attention→Luong Attention→Self Attention） 3、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） 4、Transformer模型工作原理（输入数据的Embedding、位置编码、层规范化、带掩码的自注意力层、编码器到解码器的多头注意力层、编码器的完整工作流程、解码器的完整工作流程、Transformer模型的损失函数） 5、BERT模型的工作原理（输入表示、多层Transformer编码器、掩码语言模型MLM、下一句预测NSP） 6、GPT系列模型（GPT-1 / GPT-2 / GPT-3 / GPT-3.5 / GPT-4）的工作原理（单向语言模型、预训练、自回归生成、Zero-shot Learning、上下文学习、RLHF人类反馈强化学习、多模态架构） 7、案例演示 8、实操练习 |
| 第三章 计算视觉（CV）领域的Transformer模型 | **1、ViT模型（**提出的背景、基本架构、与传统CNN的比较、输入图像的分块处理、位置编码、Transformer编码器、分类头、ViT模型的训练与优化、ViT模型的Python代码实现） **2、Swin Transformer模型（**提出的背景、基本架构、与ViT模型的比较、分层架构、窗口机制、位置编码、Transformer编码器、模型的训练与优化、模型的Python代码实现） **3、DETR模型（**提出的背景、基本架构、与RCNN、YOLO系列模型的比较、双向匹配损失与匈牙利匹配算法、匹配损失与框架损失、模型的训练与优化、模型的Python代码实现） 4、案例演示 5、实操练习 |
| 第四章 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、降噪自编码器、掩码自编码器、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、对抗样本的构造方法）。 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 |
| 第五章 自监督学习模型 | 1、自监督学习的基本概念（自监督学习的发展背景、自监督学习定义、与有监督学习和无监督学习的区别） 2、经典的自监督学习模型的基本原理、模型架构及训练过程（对比学习: SimCLR、MoCo；生成式方法：AutoEncoder、GPT；预文本任务：BERT掩码语言模型） 3、自监督学习模型的Python代码实现 4、案例演示 5、实操练习 |
| 第六章 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）。 4、案例演示 5、实操练习 |
| 第七章 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。 6、案例演示 7、实操练习 |
| 第八章 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？） 4、案例演示 5、实操练习 |
| 第九章 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、 案例演示 4、实操练习 |
| 第十章 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 |
| 第十一章 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。 5、案例演示 6、实操练习 |
| 第十二章 总结 | 1、相关资料分享与拷贝（图书推荐等） |