这门课解决什么工作场景
深度学习领域的竞争早已从“调包侠”转向了对底层架构的理解。这门课程的核心价值，在于打通从基础框架部署到前沿大模型原理的完整链路。它主要解决两类痛点：一是面试中要求手推 Transformer 源码或解读顶级论文（如 MedicalTransformer）时无从下手；二是实际工程中遇到 GPU 环境配置、依赖冲突等基础设施问题时无法独立排障。课程内容聚焦于 Transformer 算法的数学本质与网络结构计算流程，而非泛泛的概念科普。这意味着学习者需要具备一定的 PyTorch 基础，课程将深入剖析 Self-Attention 机制、位置编码及编码器-解码器结构，帮助读者建立对当前主流生成式 AI 底层的认知体系。
适合什么基础、建议先看哪几块
本系列课并非为零基础小白设计的入门指南，而是面向已有 Python 编程能力和机器学习初步概念（如神经网络反向传播原理）的学习者。如果你尚未掌握基本的张量运算，建议先补齐 PyTorch 基础再进入本章。资料包中的“AI 课程所需安装软件教程”是前置必修环节，务必在正式学习前完成环境搭建，确保 CUDA、Python 版本及核心库的一致性，这是后续所有代码实验能跑通的前提。正式进入主体后，建议优先攻克“Transformer 算法解读”这一模块，这是后续所有变体模型（包括 BERT、GPT 等）的基石。只有在彻底理解注意力机制的计算逻辑后，再进入“MedicalTransformer 论文解读”部分，逐步拆解论文的整体分析、核心思想、网络结构计算流程及公式推导。这种由通用理论到特定领域应用的学习路径，符合认知规律，能最大程度降低理解门槛。
学完能独立做什么、资料怎么配合练习
完成本课程的核心章节后，学习者应能独立复现标准的 Transformer 模型架构，并具备阅读和解析类似 MedicalTransformer 这样垂直领域深度学习论文的能力。具体表现为：能够独立推导自注意力机制的前向与反向传播公式，能够根据论文描述构建对应的网络计算图，并理解其在医疗影像等特殊场景下的适配逻辑。在资料使用上，请摒弃“只看视频不动手”的习惯。对于算法解读部分，建议对照视频逐步手推关键公式；对于论文解读部分，应结合视频对网络结构计算流程的概述，尝试在笔记本上画出完整的模块交互图，并将视频中的核心思想分析与具体的代码实现（如果资料中有配套源码）相互印证。通过这种“理论推导+结构可视化+实战验证”的组合，才能真正将论文中的知识内化为自己的工程能力。
课程介绍
QQ_1743336006407.png 2025-3-30 20:06 上传 ├──1-AI课程所需安装软件教程 | ├──1-AI课程所需安装软件教程 | | └──1-AI课程所需安装软件教程.mp4 19.61M | ├──课程详细目录.txt 0.06kb ├──10-2022论⽂必备-Transformer实战系列 | ├──1-Transformer算法解读 | | └──1-Transformer算法解读.mp4 557.22M | ├──10-MedicalTrasnformer论文解读 | | ├──1-论文整体分析.mp4 23.72M | | ├──2-核心思想分析.mp4 54.26M | | ├──3-网络结构计算流程概述.mp4 44.46M | | ├──4-论文公式计算分析.mp4 46.93M | | ├──5-
课程目录
QQ_1743336006407.png 2025-3-30 20:06 上传 ├──1-AI课程所需安装软件教程 | ├──1-AI课程所需安装软件教程 | | └──1-AI课程所需安装软件教程.mp4 19.61M | ├──课程详细目录.txt 0.06kb ├──10-2022论⽂必备-Transformer实战系列 | ├──1-Transformer算法解读 | | └──1-Transformer算法解读.mp4 557.22M | ├──10-MedicalTrasnformer论文解读 | | ├──1-论文整体分析.mp4 23.72M | | ├──2-核心思想分析.mp4 54.26M | | ├──3-网络结构计算流程概述.mp4 44.46M | | ├──4-论文公式计算分析.mp4 46.93M | | ├──5-位置编码的作用与效果.mp4 46.55M | | └──6-拓展应用分析.mp4 56.52M | ├──11-MedicalTransformer源码解读 | | ├──1-项目环境配置.mp4 25.29M | | ├──2-医学数据介绍与分析.mp4 56.68M | | ├──3-基本处理操作.mp4 25.77M | | ├──4-AxialAttention实现过程.mp4 36.87M | | ├──5-位置编码向量解读.mp4 27.80M | | ├──6-注意力计算过程与方法.mp4 52.13M | | └──7-局部特征提取与计算.mp4 40.92M | ├──12-商汤LoFTR算法解读 | | ├──1-特征匹配的应用场景.mp4 87.35M | | ├──10-总结分析.mp4 39.42M | | ├──2-特征匹配的基本流程分析.mp4 15.91M | | ├──3-整体流程梳理分析.mp4 16.46M | | ├──4-CrossAttention的作用与效果.mp4 15.69M | | ├──5-transformer构建匹配特征.mp4 33.79M | | ├──6-粗粒度匹配过程与作用.mp4 26.00M | | ├──7-特征图拆解操作.mp4 14.34M | | ├──8-细粒度匹配的作用与方法.mp4 19.87M | | └──9-基于期望预测最终位置.mp4 23.08M | ├──13-局部特征关键点匹配实战 | | ├──1-项目与参数配置解读.mp4 44.48M | | ├──10-得到精细化输出结果.mp4 19.35M | | ├──11-通过期望计算最终输出.mp4 40.24M | | ├──2-DEMO效果演示.mp4 39.57M | | ├──3-backbone特征提取模块.mp4 28.65M | | ├──4-注意力机制的作用与效果分析.mp4 30.98M | | ├──5-特征融合模块实现方法.mp4 29.29M | | ├──6-cross关系计算方法实例.mp4 29.30M | | ├──7-粗粒度匹配过程.mp4 49.80M | | ├──8-完成基础匹配模块.mp4 63.33M | | └──9-精细化调整方法与实例.mp4 42.73M | ├──14-分割模型Maskformer系列 | | └──1-分割模型Maskformer系列.mp4 776.88M | ├──15-Mask2former源码解读 | | ├──1-Backbone获取多层级特征.mp4 35.79M | | ├──10-正样本筛选损失计算.mp4 41.78M | | ├──11-标签分类匹配结果分析.mp4 62.04M | | ├──12-最终损失计算流程.mp4 52.29M | | ├──13-汇总所有损失完成迭代.mp4 35.76M | | ├──2-多层级采样点初始化构建.mp4 41.46M | | ├──3-多层级输入特征序列创建方法.mp4 43.83M | | ├──4-偏移量与权重计算并转换.mp4 48.78M | | ├──5-Encoder特征构建方法实例.mp4 49.77M | | ├──6-query要预测的任务解读.mp4 45.61M | | ├──7-Decoder中的AttentionMask方法.mp4 50.89M | | ├──8-损失模块输入参数分析.mp4 40.84M | | └──9-标签分配策略解读.mp4 42.53M | ├──16-BEV特征空间 | | └──1-BEV特征空间.mp4 523.07M | ├──17-BevFormer源码解读 | | ├──1-环境配置方法解读.mp4 42.79M | | ├──10-获取当前BEV特征.mp4 35.90M | | ├──11-Decoder级联校正模块.mp4 41.58M | | ├──12-损失函数与预测可视化.mp4 49.48M | | ├──2-数据集下载与配置方法.mp4 53.57M | | ├──3-特征提取以及BEV空间初始化.mp4 43.81M | | ├──4-特征对齐与位置编码初始化.mp4 43.63M | | ├──5-Reference初始点构建.mp4 37.26M | | ├──6-BEV空间与图像空间位置对应.mp4 37.67M | | ├──7-注意力机制模块计算方法.mp4 38.61M | | ├──8-BEV空间特征构建.mp4 34.01M | | └──9-Decoder要完成的任务分析.mp4 33.95M | ├──18-时间序列预测 | | └──1-时间序列预测.mp4 375.40M | ├──19-Informer时间序列源码解读 | | └──1-Informer时间序列源码解读.mp4 829.10M | ├──2-视觉Transformer及其源码分析 | | └──1-视觉Transformer及其源码分析.mp4 878.23M | ├──20-Huggingface与NLP（讲故事） | | └──1-Huggingface与NLP（讲故事）.mp4 163.59M | ├──3-VIT算法模型源码解读 | | ├──1-项目配置说明.mp4 43.27M | | ├──2-输入序列构建方法解读.mp4 29.80M | | ├──3-注意力机制计算.mp4 28.04M | | └──4-输出层计算结果.mp4 37.72M | ├──4-swintransformer算法原理解析 | | ├──1-swintransformer整体概述.mp4 14.76M | | ├──10-分层计算方法.mp4 21.71M | | ├──2-要解决的问题及其优势分析.mp4 22.33M | | ├──3-一个block要完成的任务.mp4 17.36M | | ├──4-获取各窗口输入特征.mp4 18.99M | | ├──5-基于窗口的注意力机制解读.mp4 29.53M | | ├──6-窗口偏移操作的实现.mp4 24.27M | | ├──7-偏移细节分析及其计算量概述.mp4 20.41M | | ├──8-整体网络架构整合.mp4 20.88M | | └──9-下采样操作实现方法.mp4 22.24M | ├──5-swintransformer源码解读 | | ├──1-数据与环境配置解读.mp4 59.59M | | ├──2-图像数据patch编码.mp4 37.62M | | ├──3-数据按window进行划分计算.mp4 31.46M | | ├──4-基础attention计算模块.mp4 27.58M | | ├──5-窗口位移模块细节分析.mp4 36.81M | | ├──6-patchmerge下采样操作.mp4 25.24M | | ├──7-各block计算方法解读.mp4 27.91M | | └──8-输出层概述.mp4 41.11M | ├──6-基于Transformer的detr目标检测算法 | | ├──1-DETR目标检测基本思想解读.mp4 19.27M | | ├──2-整体网络架构分析.mp4 31.54M | | ├──3-位置信息初始化query向量.mp4 19.90M | | ├──4-注意力机制的作用方法.mp4 20.79M | | └──5-训练过程的策略.mp4 28.34M | ├──7-detr目标检测源码解读 | | ├──1-项目环境配置解读.mp4 40.33M | | ├──2-数据处理与dataloader.mp4 63.98M | | ├──3-位置编码作用分析.mp4 47.86M | | ├──4-backbone特征提取模块.mp4 35.54M | | ├──5-mask与编码模块.mp4 34.68M | | ├──6-编码层作用方法.mp4 42.78M | | ├──7-Decoder层操作与计算.mp4 30.08M | | ├──8-输出预测结果.mp4 41.20M | | └──9-损失函数与预测输出.mp4 41.18M | ├──8-DeformableDetr算法解读 | | └──1-DeformableDetr算法解读.mp4 730.35M | ├──9-DeformableDetr物体检测源码分析 | | ├──1-特征提取与位置编码.mp4 38.16M | | ├──10-分类与回归输出模块.mp4 49.72M | | ├──11-预测输出结果与标签匹配模块.mp4 44.31M | | ├──2-序列特征展开并迭加.mp4 51.07M | | ├──3-得到相对位置点编码.mp4 28.80M | | ├──4-准备Encoder编码层所需全部输入.mp4 37.91M | | ├──5-编码层中的序列分析.mp4 39.73M | | ├──6-偏移量offset计算.mp4 46.09M | | ├──7-偏移量对齐操作.mp4 39.80M | | ├──8-Encoder层完成特征对齐.mp4 51.84M | | └──9-Decoder要完成的操作.mp4 38.98M | ├──课程详细目录.txt 0.06kb | └──咨询VX ETH22009.txt 0.02kb ├──11-图神经网络实战 | ├──1-图神经网络基础 | | ├──1-图神经网络应用领域分析.mp4 26.40M | | ├──2-图基本模块定义.mp4 10.51M | | ├──3-邻接矩阵的定义.mp4 16.06M | | ├──4-GNN中常见任务.mp4 19.17M | | ├──5-消息传递计算方法.mp4 14.23M | | └──6-多层GCN的作用.mp4 13.00M | ├──10-基于图模型的时间序列预测 | | └──1-基于图模型的时间序列预测.mp4 1021.16M | ├──11-异构图神经网络 | | └──1-异构图神经网络.mp4 754.04M | ├──2-图卷积GCN模型 | | ├──1-GCN基本模型概述.mp4 13.24M | | ├──2-图卷积的基本计算方法.mp4 12.56M | | ├──3-邻接的矩阵的变换.mp4 18.38M | | └──4-GCN变换原理解读.mp4 21.12M | ├──3-图模型必备神器PyTorch Geometric安装与使用 | | ├──1-PyTorch Geometric工具包安装与配置方法.mp4 45.07M | | ├──2-数据集与邻接矩阵格式.mp4 51.92M | | ├──3-模型定义与训练方法.mp4 41.92M | | └──4-文献引用数据集分类案例实战.mp4 47.75M | ├──4-使用PyTorch Geometric构建自己的图数据集 | | ├──1-构建数据集基本方法.mp4 13.47M | | ├──2-数据集与任务背景概述.mp4 21.63M | | ├──3-数据集基本预处理.mp4 31.50M | | ├──4-用户行为图结构创建.mp4 36.67M | | ├──5-数据集创建函数介绍.mp4 34.87M | | ├──6-网络结构定义模块.mp4 36.87M | | ├──7-TopkPooling进行下采样任务.mp4 31.30M | | ├──8-获取全局特征.mp4 25.71M | | └──9-模型训练与总结.mp4 35.84M | ├──5-图注意力机制与序列图模型 | | ├──1-图注意力机制的作用与方法.mp4 16.53M | | ├──2-邻接矩阵计算图Attention.mp4 21.40M | | ├──3-序列图神经网络TGCN应用.mp4 12.59M | | └──4-序列图神经网络细节.mp4 23.67M | ├──6-图相似度论文解读 | | ├──1-要完成的任务分析.mp4 47.79M | | ├──2-基本方法概述解读.mp4 52.67M | | ├──3-图模型提取全局与局部特征.mp4 47.42M | | ├──4-NTN模块的作用与效果.mp4 41.09M | | ├──5-点之间的对应关系计算.mp4 51.22M | | └──6-结果输出与总结.mp4 71.18M | ├──7-图相似度计算实战 | | ├──1-数据集与任务概述.mp4 18.11M | | ├──2-图卷积特征提取模块.mp4 55.92M | | ├──3-分别计算不同Batch点的分布.mp4 31.70M | | ├──4-获得直方图特征结果.mp4 21.11M | | ├──5-图的全局特征构建.mp4 31.45M | | ├──6-NTN图相似特征提取.mp4 39.25M | | └──7-预测得到相似度结果.mp4 18.64M | ├──8-基于图模型的轨迹估计 | | ├──1-数据集与标注信息解读.mp4 57.53M | | ├──2-整体三大模块分析.mp4 71.83M | | ├──3-特征工程的作用与效果.mp4 41.75M | | ├──4-传统方法与现在向量空间对比.mp4 51.83M | | ├──5-输入细节分析.mp4 49.96M | | ├──6-子图模块构建方法.mp4 42.55M | | ├──7-特征融合模块分析.mp4 47.67M | | └──8-VectorNet输出层分析.mp4 85.45M | ├──9-图模型轨迹估计实战 | | ├──1-数据与环境配置.mp4 35.36M | | ├──2-训练数据准备.mp4 27.69M | | ├──3-Agent特征提取方法.mp4 37.87M | | ├──4-DataLoader构建图结构.mp4 28.61M | | └──5-SubGraph与Attention模型流程.mp4 34.55M | ├──课程详细目录.txt 0.06kb ├──12-3D点云实战 | ├──1-3D点云实战 3D点云应用领域分析 | | ├──1-点云数据概述.mp4 49.53M | | ├──2-点云应用领域与发展分析.mp4 82.18M | | ├──3-点云分割任务.mp4 52.03M | | ├──4-点云补全任务.mp4 29.17M | | ├──5-点云检测与配准任务.mp4 59.58M | | └──6-点云数据特征提取概述与预告.mp4 22.69M | ├──2-3D点云PointNet算法 | | ├──1-3D数据应用领域与点云介绍.mp4 40.05M | | ├──2-点云数据可视化展示.mp4 40.07M | | ├──3-点云数据特性和及要解决的问题.mp4 33.08M | | ├──4-PointNet算法出发点解读.mp4 17.46M | | └──5-PointNet算法网络架构解读.mp4 31.01M | ├──3-PointNet++算法解读 | | ├──1-PointNet升级版算法要解决的问题.mp4 22.08M | | ├──2-最远点采样方法.mp4 21.00M | | ├──3-分组Group方法原理解读.mp4 32.79M | | ├──4-整体流程概述分析.mp4 16.37M | | ├──5-分类与分割问题解决方案.mp4 21.74M | | └──6-遇到的问题及改进方法分析.mp4 13.43M | ├──4-Pointnet++项目实战 | | ├──1-项目文件概述.mp4 29.02M | | ├──11-分割任务数据与配置概述.mp4 51.28M | | ├──12-分割需要解决的任务概述.mp4 33.94M | | ├──13-上采样完成分割任务.mp4 44.75M | | ├──2-数据读取模块配置.mp4 39.23M | | ├──3-DEBUG解读网络模型架构.mp4 24.25M | | ├──4-最远点采样介绍.mp4 19.48M | | ├──5-采样得到中心点.mp4 31.77M | | ├──6-组区域划分方法.mp4 24.88M | | ├──7-实现group操作得到各中心簇.mp4 35.00M | | ├──8-特征提取模块整体流程.mp4 40.04M | | └──9-预测结果输出模块.mp4 38.74M | ├──5-点云补全PF-Net论文解读 | | ├──1-点云补全要解决的问题.mp4 23.13M
