第一天

• 自然语言处理基础

• 当前主流技术基础：Transformer

 理论-NLP基础

• NLP基本原理

• NLP常用工具

• 语言模型与文本预处理

• RNN与自然语言处理

• LSTM与GRU

• Attention与Self-Attention

 理论-Transformer：

• 基础论文讲解：All You Need is Transformer

• 多核架构

• 多头注意力机制

• 编码与解码器

• 语言模型的构建

 实践：与第二天的实践合并

• Python 3.X

• numpy

• matplotlib

• pandas

• Gensim

• torch

• torchvision

建议安装Anaconda(Python3.8,64位版本)：

www.anaconda.com

PyTorch安装请参照官网：

www.pytorch.org

第二天

• BertTology

• 基于深度学习的机器视觉基础

 理论-BertTology：

• Bert原理与实现

• BERTology系列模型讲解

• Bert系列模型的训练方法

 理论-卷积神经网络基础：

• 卷积神经网络基本概念

• 空洞卷积

• 转置卷积

 实践：

• Transforms库的使用

第三天

• 机器视觉的经典网络结构

• 迁移学习

 理论-机器视觉主要任务与经典网络结构（选讲部分内容）：

• AlexNet、VGG、ResNet、GoogleNet

• FasterRCNN、SSD、YOLO

• FCN、U-Net

 理论-迁移学习：

• 迁移学习的目标与策略

• 迁移学习基本理论

 实践-经典网络：

• ResNet的实现

• 基于YOLO的目标检测

 实践-迁移学习：

• Torchvision的预置模型

• 预置模型的加载

• 优化模块的配置与训练

• 优化后模型的使用

第四天

• Vision Transformer

• 模型的封装与发布（一）

 理论-Vision Transformer

• Vision Transformer基本理念

• Vision Transformer论文讲解

 理论-模型的封装与发布

• Flask的基本概念

• RESTful的设计理念

• 装饰器与蓝图

 实践-Vision Transformer

• 基于PyTorch搭建Vision Transformer模型

 实践-模型封装与发布

• Flask的基本代码

• 基于Flask的RESTful

• RESTful API的测试

第五天

• 模型封装与发布（二）

• 课程内容回顾

• 交流与研讨

 理论

• Docker概述

• Docker的使用场景

• Docker的安装和配置

• 了解dockderfile

• 使用Docker创建应用程序

• TorchServer

• 机器学习云平台

• 模型发布与云原生

 实践：

• 文本分类模型的训练与发布

 回顾与补充内容讲解

 交流与研讨