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

V：158。3333。2534