课程介绍

课程目录

• 1_课程简介
• 2.GPT系列算法概述
• 3.GPT三代版本分析
• 4.GPT初代版本要解决的问题
• 5.GPT第二代版本训练策略
• 6.采样策略与多样性
• 7.GPT3的提示与生成方法
• 8.应用场景CODEX分析
• 9.DEMO应用演示
• 10.生成模型可以完成的任务概述
• 11.数据样本生成方法
• 12.训练所需参数解读
• 13.模型训练过程
• 14.部署与网页预测展示
• 15.chatgpt概述
• 16.挑战及其与有监督问题差异
• 17.强化学习登场
• 18.强化学习的作用效果
• 19.奖励模型设计方法
• 20.RLHF训练流程解读
• 21.总结分析
• 22.大模型如何做下游任务
• 23.LLM落地微调分析
• 24.LLAMA与LORA介绍
• 25.LORA微调的核心思想
• 26.LORA模型实现细节
• 27.提示工程的作用
• 28.项目数据解读
• 29.源码调用DEBUG解读
• 30.训练流程演示
• 31.效果演示与总结分析
• 32.langchain框架解读
• 33.基本API调用方法
• 34.数据文档切分操作
• 35.样本索引与向量构建
• 36.数据切块方法
• 37.DEMO效果演示
• 38.论文解读分析
• 39.完成的任务分析
• 40.数据闭环方法
• 41.预训练模型的作用
• 42.Decoder的作用与项目源码
• 43.分割任务模块设计
• 44.实现细节分析
• 45.总结分析
• 46.视觉QA要解决的问题
• 47.论文概述分析
• 48.实现流程路线图
• 49.答案关注区域分析
• 50.VQA任务总结
• 51.扩散模型概述与GAN遇到的问题
• 52.要完成的任务分析
• 53.公式原理推导解读
• 54.分布相关计算操作
• 55.算法实现细节推导
• 56.公式推导结果分析
• 57.细节实现总结
• 58.论文流程图解读
• 59.案例流程分析
• 60_.基本建模训练效果
• 61.论文基本思想与核心模块分析
• 62.不同模块对比分析
• 63.算法核心流程解读
• 64.各模块实现细节讲解
• 65.项目整体流程分析
• 66.源码实现细节分析
• 67.源码公式对应论文分析
• 68.Decoder模块实现细节解读
• 69.源码实现流程总结
• 70.对比学习要解决的问题分析
• 71.正负样本构建方法
• 72.Simclr框架流程分析
• 73.下游任务应用概述
• 74.视觉自监督任务分析
• 75.任务训练目标分析
• 76.建模流程分析与效果展示
• 77.codebook模块的作用
• 78.任务总结分析
• 79.BEITV2版本论文出发点解读
• 80.自监督任务中两大核心任务分析
• 81.整体网络架构图分析
• 82.框架实现细节流程分析
• 83.论文细节模块实现解读
• 84.mmselfup源码实现解读
• 85.网络结构搭建细节解读
• 86.源码实现流程总结
• 87.BEV要解决的问题通俗解读
• 88.BEV中的3D与4D分析
• 89.特征融合过程中可能遇到的问题
• 90.BEV汇总特征方法实例解读
• 91.DeformableAttention回顾
• 92.空间注意力模块解读
• 93.时间模块与拓展补充
• 94.论文知识点分析
• 95.核心模块论文分析
• 96_.整体架构总结
• 97.环境配置方法解读
• 98.数据集下载与配置方法
• 99.特征提取以及BEV空间初始化
• 100.特征对齐与位置编码初始化
• 101.Reference初始点构建
• 102.BEV空间与图像空间位置对应
• 103.注意力机制模块计算方法
• 104.BEV空间特征构建
• 105.Decoder要完成的任务分析
• 106_.获取当前BEV特征
• 107_.Decoder级联校正模块
• 108_.损失函数与预测可视化
• 109.DeformableAttention概述分析
• 110.可变形偏移量分析
• 111.应用场景分析解读
• 112.论文计算公式解读
• 113.整体框架流程实例
• 114.下游任务应用场景
• 资料.rar