Transformer模型，作为深度学习领域中的一次重大突破，为自然语言处理（NLP）领域的发展注入了新的活力。ChatGPT和Sora这两个应用便是Transformer强大能力的生动体现，它们分别将Transformer应用于对话生成和文本到视频的转换，展现了Transformer的广泛适用性和巨大潜力。
4月10日，我们邀请到多篇顶会一作作者，担任多项国家自然科学基金项目/国家重点研发项目技术骨干Henry老师为我们带来——引爆顶会的transformer变革之路，带我们深入探讨Transformer的前世今生，揭示它如何成为ChatGPT和Sora这些突破性工作的核心和基石。
扫码免费参与直播
领导师亲自整理transformer论文合集&ppt原稿
transformer论文部分展示
导师简介：Henry老师
· 英国某QS排名60高校博士，本硕均毕业于国内985高校。
· 研究领域涵盖深度学习及其在计算机视觉、遥感图像处理和离岸可再生能源三大方向的应用，特别是CNN、注意力机制和视觉Transformer在图像分割、超分辨率、尾流建模、地物分类和遥感图像去云等任务的应用
课程大纲
第一节：Transformer模型的历史发展及优势
第二节：Transformer的核心思想、结构及机制
第三节：Transformer在计算机视觉中的应用
扫码免费参与直播
领导师亲自整理transformer论文合集&ppt原稿
Transformer的诞生
Transformer模型最早由Google Brain团队在2017年提出，并发布在论文《Attention is All You Need》中。
Transformer的结构
Transformer的核心思想是自注意力机制（Self-Attention），它允许模型在处理输入序列时将注意力集中在序列中不同位置的不同部分。

Transformer在计算机视觉中的应用
除了在自然语言处理领域取得巨大成功外，Transformer模型也在计算机视觉领域展现出了强大的潜力。特别是在图像生成、图像分类和目标检测等任务中，基于Transformer的模型已经取得了令人瞩目的成绩。
扫码免费参与直播
领导师亲自整理transformer论文合集&ppt原稿
谷歌终于更新了Transformer架构。
最新发布的Mixture-of-Depths（MoD），改变了以往Transformer计算模式。
它通过动态分配大模型中的计算资源，跳过一些不必要计算，显著提高训练效率和推理速度。
结果显示，在等效计算量和训练时间上，MoD每次向前传播所需的计算量更小，而且后训练采样过程中步进速度提高50%。
对于想要发表论文，对科研感兴趣或正在为科研做准备的同学，想要快速发论文有两点至关重
对于还没有发过第一篇论文，还不能通过其它方面来证明自己天赋异禀的科研新手
，学会如何写论文、发顶会的重要性不言而喻。

发顶会到底难不难？近年来各大顶会的论文接收数量逐年攀升，身边的朋友同学也常有听闻成功发顶会，总让人觉得发顶会这事儿好像没那么难！
但是到了真正实操阶段才发现，并不那么简单，可能照着自己的想法做下去并不能写出一篇好的论文、甚至不能写出论文。掌握方法，有人指点和引导很重要！
还在为创新点而头秃的CSer，还在愁如何写出一篇好论文的科研党，一定都需要来自顶会论文作者、顶会审稿人的经验传授和指点。
很可能你卡了很久的某个点，在和学术前辈们聊完之后就能轻松解决。
扫描二维码
与大牛导师一对一meeting

文末福利
给大家送一波大福利！我整理了100节计算机全方向必学课程，包含CV&NLP&论文写作经典课程，限时免费领！免费送GPU！

立即扫码 赠系列课程
-END-
继续阅读
阅读原文