2025最新Transformer！跟着迪哥一小时吃透Transformer架构，深入浅出解构注意力机制！
正在缓冲...
配套资料/论文辅导/1v1答疑/简历辅导/面试辅导/就业内推 关注公 众 号 【迪哥谈Ai】发送【965】加 助 理 老 师 获 取
视频选集
（1/61）
自动连播
1.Transformer有哪些必学知识点？
00:52
1.2人工智能学习路线
12:05
1.3-BERT任务目标概述
05:28
2-传统解决方案遇到的问题
11:10
3-注意力机制的作用
06:57
4-self-attention计算方法
11:25
5-特征分配与softmax机制
09:21
6-Multi-head的作用
09:10
7-位置编码与多层堆叠
07:18
8-transformer整体架构梳理
10:58
9-BERT模型训练方法
09:38
10-训练实例
09:48
1-transformer发家史介绍
06:20
2-对图像数据构建patch序列
09:13
3-VIT整体架构解读
09:28
4-CNN遇到的问题与窘境
07:32
5-计算公式解读
09:11
6-位置编码与TNT模型
08:49
7-TNT模型细节分析
09:56
1-项目配置说明
06:08
2-输入序列构建方法解读
07:54
3-注意力机制计算
07:09
4-输出层计算结果
07:48
1-swintransformer整体概述
05:39
2-要解决的问题及其优势分析
08:12
3-一个block要完成的任务
06:46
5-基于窗口的注意力机制解读
10:12
6-窗口偏移操作的实现
08:33
7-偏移细节分析及其计算量概述
07:58
8-整体网络架构整合
06:27
9-下采样操作实现方法
06:21
10-分层计算方法
06:40
1-数据与环境配置解读
11:26
2-图像数据patch编码
07:01
3-数据按window进行划分计算
07:48
5-窗口位移模块细节分析
08:49
6-patchmerge下采样操作
04:45
7-各block计算方法解读
06:30
8-输出层概述
05:38
1-DETR目标检测基本思想解读
08:19
2-整体网络架构分析
10:30
3-位置信息初始化query向量
06:49
4-注意力机制的作用方法
07:01
5-训练过程的策略
06:46
1-项目环境配置解读
09:10
2-数据处理与dataloader
13:35
3-位置编码作用分析
10:14
5-mask与编码模块
08:08
6-编码层作用方法
08:41
7-Decoder层操作与计算
07:20
8-输出预测结果
09:01
9-损失函数与预测输出
06:45
1-特征匹配的应用场景
08:50
2-特征匹配的基本流程分析
06:24
3-整体流程梳理分析
06:45
4-CrossAttention的作用与效果
06:29
5-transformer构建匹配特征
11:28
7-特征图拆解操作
05:51
8-细粒度匹配的作用与方法
07:52
9-基于期望预测最终位置
09:03
10-总结分析
04:56
顶部