关于 Transformer 和注意力机制提出的问题可以查看 Gitee Transformer101Q

标签:Transformer,注意力机制,Attention机制,Transfomer课程,Transformer架构,Transformer模型,对话机器人,NLP课程,NLP,自然语言处理,知识图谱,命名实体识别

第21章：基于Bayesian Theory的MRC文本理解基础经典模型算法详解
1，Bayesian prior在模型训练时候对Weight控制、训练速度影响等功能详解
2，Bayesian prior能够提供模型训练速度和质量的数学原理剖析
3，从Word2vec走向GloVe：从Local 信息走向Global+Local信息表示模式
4，GloVe 中的Vector相关性算法
5，GloVe的Co-occurrence matrix解析
6，GloVe的Loss计算
7，神经网络表达信息的三大局限剖析
7，使用Convolutions取代神经网络传统的matrix multiplication操作
8，文本序列的Vector表示及Convolutions的天然契合点分析
9，Parameter sharing背后的数学原理和工程的广泛应用
10，Vector中的参数真的能够很好的表达信息吗？数学原理及工程实践
11，TextCNN架构设计解析
12，CNN-rand数学原理及工程实现
13，CNN-static数学原理及工程实现
14，CNN-non-static数学原理及工程实现
15，CNN-multiple channel数学原理及工程实现
16，处理长短不一的Sentence
17，Kernel设置的数学原理及最佳实践
18，传统模型Attention实现本质：权重分配
19，通过Soft-Search的方式来构建Attention机制及数学原理剖析
20，KQV：Attention-based model based on weight allocation
21，Local-Attention、Global-Attention、Self-Attention对比及最佳实践
22，基于一维匹配的Attentive Reader架构及数学原理剖析
23，基于二维匹配的Impatient Reader架构及数学原理剖析
24，Multi-Hop机制多次提取更充足信息的Attention实现剖析
25，Multi-Hop机制多次提取更充足信息的TimeStep状态推进剖析
26，Pointer network和Attention机制的对比
27，R-NET：借助pointer network和使用gateway机制的attention实现
28，R-NET的Encoding Layer解析
29，R-NET的Question-Passage Matching解析
30，R-NET的Passage Self-Matching解析
31，R-NET的Answer Prediction解析
32，Fully-Aware Fusion Network提出的MRC的Fusion层次划分解析
33，Fully-Aware Fusion Network中的History-of-word机制来更好的理解语意
34，Fully-Aware Fusion Network的Attention机制解析
35，Fully-Aware Fusion Network的Encoding Layer：GloVe、CoVe、POS、NER等
36，Fully-Aware Fusion Network的Multi-level Fusion解析
37，Fully-Aware Fusion Network的Fully-Aware Self-Boosted Fusion解析
38，Fully-Aware Fusion Network的Output layer解析
39，QA-Net的架构之Embedding Encoder Layer解析
40，QA-Net的架构之Context-Query Attention Layer解析
41，QA-Net的架构之Model Encoder Layer解析
42，QA-Net的架构之Output Layer解析

第22章：揭秘针对Cloze Tests基于Attention机制的的MRC领域开山之作：Teaching Machines to Read and Comprehend架构设计及完整源码实现
1，对Text提供精细化的语言理解能力和推理能力的MRC为何需要Neural Networks和Attention机制的支持？
2，基于大规模训练数据集的集特征工程和分类于一体的深度学习MRC
3，数据集结构分析
4，Two-layer Deep LSTM Reader的Input和Output分析
5，Two-layer Deep LSTM Reader中article和question的Concatenation操作
6，Two-layer Deep LSTM Reader中的Embedding Layer解析
7，具有Attention功能的Two-layer Deep LSTM Reader架构解析
8，Two-layer Deep LSTM Reader的classification解析
9，Attentive Reader的Input时候对Document和Question分别作LSTM建模
10，Attentive Reader使用加法操作实现Attention机制进行Classification操作
11，Impatient Reader的Output中的Attention数学原理和操作解析
12，对模型复杂度及数据量的最佳实践思考
13，为何Attention机制在阅读理解中是有效的？数学原理和工程实践
14，CNN Daily Mail数据Padding、Batch等预处理操作
15，QADataset完整源码解析
16，QAIterator完整源码解析
17，Context和Question进行Concatenation操作完整源码解析
18，Deep LSTM中的Word Embedding Layer实现
19，Deep LSTM中的Contextual Embedding Layer实现
20，Deep LSTM中的Output Layer实现
21，Deep LSTM中的Dropout
22，Deep LSTM中的Modeling Layer源码实现
23，AttentiveReader中的Word Embedding Layer实现
24，AttentiveReader中的Contextual Embedding Layer实现
25，AttentiveReader中的Modeling Layer实现
26，AttentiveReader中的Attention机制实现
27，ImpatientReader中的Embedding Layers实现
28，ImpatientReader中的Mdoeling Layer实现
29，ImpatientReader中的Attention源码完整实现
30，training方法的源码完整实现
31，对整个整个算法完整源码实现的调试及分析

第23章：MRC经典的Span Extraction模型Bi-DAF 算法架构、运行机制及数学原理
1，双向Attention Flow：Query2Context、Context2Query数学原理及工程实现
2，Bi-DAF能够正式确立编码-交互-输出三层架构阅读理解模型背后的原因分析
3，Bi-DAF模型本身的五层架构及其背后数学原理解析
4，不同粒度的多阶段Embeddings层的架构设计和数学原理
5，Bonus：多阶段Embeddings在智能对话信息表示中的应用剖析
6，Character Embedding数学原理及Char-CNN实现解析
7，Word Embedding数学原理及GloVe实现解析
8，双向LSTM架构机制及数学原理剖析
9，使用Highway Network解决梯度问题的数学原理及实现解析
10，组合Char embedding和word embedding
11，Contextual Embedding数学原理及实现解析
12，Bi-DAF中的Context2Query实现解析
13，Bi-DAF中的Query2Context实现解析
14，Trainable Matrix for attention mechanism
15，Modeling层架构和数学原理剖析
16，输出层的Start index计算数学原理解析
17，输出层的End index计算数学原理解析
18，Training Loss计算解析
19，参数设置
20，Bi-DAF在信息抽取时候的Assumption存在的问题分析
21，为何Bi-DAF不擅长回答Why类型的问题？如何改进？

第24章：基于SQuAD对Bi-DAF进行MRC源码完整实现、测试和调试
1，SQuAD训练集和验证集数据分析及answer的Index机制分析
2，从JSON文件中获取样本信息
3，Tokenization代码实现
4，遍历处理data中的paragraphs下context及qas
5，对data中answer的start index、text、end index的处理及word的处理
6，构建基于Batch的Iterator
7，Padding源码实现及测试
8，Character Embedding Layer对Char进行Vector编码实现和测试
9，Word Embedding Layer对word进行Vector编码实现及测试
10，dropout操作
11，Convolutions操作实现
12，Transformer数据流源代码剖析
13，Concatenate Context和Question完整源码实现
14，通过基于ReLU的highway network来整合信息完整源码实现及测试
15，highway network中的门控机制数学原理及其在AI中的广泛应用
16，通过LSTM对Contextual Embedding Layer进行编码完整实现及测试
17，Context Matrix和Question Matrix可视化分析
18，attention flow layer中相似矩阵S的源码实现
19，Context2Query完整源码实现及测试
20，Query2Context完整源码实现及测试
21，attention flow layer中信息前向和增强信息表示的G的融合源码实现
22，Modeling Layer完整源码实现调试分析
23，output layer中p1的计算实现
24，output layer中p2的计算实现
25，Cross Entropy Loss p1的细节说明
26，在验证集上进行Test源码完整实现
27，Mask机制的具体作用剖析及调试分析
28，对Answer进行Normalization操作
29，EM (Exact Match) 数学公式解析及源码实现
30，F1对MRC的应用数学公式解析及源码实现
31，Evaluation完整源码实现及调试
32，Soft Evaluation的重大意义思考
33，Bi-DAF全流程调试及深度分析

第25章：阅读理解MRC模型集成、蒸馏、部署及源码实现
1，模型集成ensemble有效性背后的Bayesian数学原理深度剖析
2，模型扰动造成的方差数学原理剖析
3，方差与normalization
4，基于投票思想的模型集成方法及其在多选题和完形填空中的应用
5，基于bagging思想的模型集成方法
6，基于boosting思想的集成方法
7，基于stacking思想的模型集成方法
8，Blending机制
9，阅读理解中的模型ensemble：BERT + Linguistic Knowledge + Ensemble Algorithm
10，用小模型去学习大模型的预测结果及泛化能力
11，Teacher model - distilled model架构解析
12，soft labels、hard label
13，soft predictions、hard prediction
14，信息对齐：样本、中间结果、网络结构
15，DistillBERT用于Knowledge Distillation
16，server framework + deep learning framework API
17，server framework + deep learning serving
18，modeling完整代码解析
19，data utils源码解析
20，model utils源码解析
21，classifier utils源码解析
22，classifier源码解析
23，squad_utils源码解析
24，run_squad源码解析
25，estimator源码解析
26，train方法源码解析
27，modeling_bert
28，modeling_roberta
29，ensemble源码解析
30，evaluate源码解析

第26章：跨语言Cross-linagual预训练模型XLM架构内幕及完整源码实现
1，cross-lingual pretraining背后的数学原理剖析
2，XLM中CLM设计内幕和数学原理解析
3，XLM中MLM设计内幕和数学原理解析
4，XLM 中TLM设计内幕和数学原理解析
5，XLMTokenizer源码实现解析
6，XLMWithLMHeadModel源码实现解析
7，XLMPredLayer源码实现解析
8，XLMModel源码实现解析
9，XLMPreTrainedModel源码实现解析
10，TransformerFFN源码实现解析
11，MultiHeadAttention源码实现解析
12，XLMForSequenceClassification源码实现解析
13，XLMForTokenClassification源码实现解析
14，XLMForMultipleChoice源码实现解析
15，XLMForQuestionAnsweringSimple源码实现解析
16，XLMForQuestionAnswering源码实现解析

第27章：处理长文本的模型BigBird架构内幕及完整源码实现
1，Sparse attention机制内幕及数学原理剖析
2，全局global attention的数据原理及实现机制
3，Block sparse attention数学原理及实现机制
4，Sliding attention数学原理及实现机制
5，Random attention数学原理及实现机制
6，Time & Memory Complexity分析
7，BigBirdTokenizer源码完整实现剖析
8，BigBirdEmbeddings源码完整实现剖析
9，BigBirdAttention源码完整实现剖析
10，BigBirdSelfAttention源码完整实现剖析
11，BigBirdBlockSparseAttention源码完整实现剖析
12，BigBirdIntermediate源码完整实现剖析
13，BigBirdOutput源码完整实现剖析
14，BigBirdLayer源码完整实现剖析
15，BigBirdEncoder源码完整实现剖析
16，BigBirdPredictionHeadTransform源码完整实现剖析
17，BigBirdLMPredictionHead源码完整实现剖析
18，BigBirdOnlyMLMHead源码完整实现剖析
19，BigBirdOnlyNSPHead源码完整实现剖析
20，BigBirdPreTrainingHeads源码完整实现剖析
21，BigBirdPreTrainedModel源码完整实现剖析
22，BigBirdForPreTrainingOutput源码完整实现剖析
23，BigBirdModel源码完整实现剖析
24，BigBirdForPreTraining源码完整实现剖析
25，BigBirdForMaskedLM源码完整实现剖析
26，BigBirdForCausalLM源码完整实现剖析
27，BigBirdClassificationHead源码完整实现剖析
25，BigBirdForQuestionAnsweringModelOutput源码完整实现剖析
26，BigBirdForSequenceClassification源码完整实现剖析
27，BigBirdForMultipleChoice源码完整实现剖析
28，BigBirdForTokenClassification源码完整实现剖析
29，BigBirdForQuestionAnsweringHead源码完整实现剖析
30，BigBirdForQuestionAnswering源码完整实现剖析

第28章：使用Local dependency轻量级Transformer模型ConvBERT架构内幕及完整源码实现
1，BERT依赖global self-attention而带来的问题分析
2，BERT不同Layer的computation redundancy分析
3，使用local dependency的数学原理分析
4，local dependency的工程实践
5，convolution head数学原理剖析
6，构建mixed attention block分析
7，ConvBertTokenizer源码解析
8，把TF模型的checkpoints加载入pytorch模型中
9，ConvBertEmbeddings完整源码分析
10，ConvBertPreTrainedModel完整源码分析
11，SeparableConv1D完整源码分析
12，ConvBertAttention完整源码分析
13，ConvBertSelfAttention完整源码分析
14，ConvBertSelfOutput完整源码分析
15，GroupedLinearLayer完整源码分析
16，ConvBertIntermediate完整源码实现分析
17，ConvBertLayer完整源码实现分析
18，ConvBertOutput完整源码实现分析
19，ConvBertEncoder完整源码实现分析
20，ConvBertPredictionHeadTransform完整源码实现分析
21，ConvBertModel完整源码实现分析
22，ConvBertGeneratorPredictions完整源码实现分析
23，ConvBertForMaskedLM完整源码实现分析
24，ConvBertClassificationHead完整源码实现分析
25，ConvBertForSequenceClassification完整源码实现分析
26，ConvBertForMultipleChoice完整源码实现分析
27，ConvBertForTokenClassification完整源码实现分析
28，ConvBertForQuestionAnswering完整源码实现分析
29，ConvBertConfig代码分析

第29章：使用Control code的文本生成Transformer模型CTRL架构内幕及完整源码实现
1，能够使用第一个Token作为control code的数学原理分析
2，控制生成内容的style、content及task-specific行为的架构设计
3，control code的来源：co-occure
4，生产coherent内容的关键是什么？
5，基于CLM的CTRL 设计实现
6，syntactically coherent text与semantically coherent text
7，CTRLTokenizer源码完整实现解析
8，CTRLTokenizer源码完整实现解析
9，positional_encoding源码完整实现解析
10，scaled_dot_product_attention源码完整实现解析
11，MultiHeadAttention源码完整实现解析
12，EncoderLayer源码完整实现解析
13，CTRLPreTrainedModel源码完整实现解析
14，CTRLLMHeadModel源码完整实现解析
15，CTRLModel源码完整实现解析
16，CTRLForSequenceClassification源码完整实现解析

第30章：使用disentangled attention机制Transformer模型DeBERTa架构内幕及完整源码实现
1，使用两个vector来编码每个word的content和position
2，在pretraining阶段使用output enhanced mask decoder取代softmax layer对masked words预测的数学原理剖析
3，DebertaEmbeddings完整源码实现解析
4，DebertaPreTrainedModel完整源码实现解析
5，Disentangled Attention算法剖析
6，DebertaTokenizer完整源码实现解析
7，XDropout完整源码实现解析
8，StableDropout完整源码实现解析
9，XSoftmax完整源码实现解析
10，ContextPooler完整源码实现解析
11，DebertaLayerNorm完整源码实现解析
12，DebertaSelfOutput完整源码实现解析
13，build_relative_position完整源码实现解析
14，DebertaAttention完整源码实现解析
15，DebertaIntermediate完整源码实现解析
16，DebertaOutput完整源码实现解析
17，DebertaLayer完整源码实现解析
18，DebertaEncoder完整源码实现解析
19，DisentangledSelfAttention完整源码实现解析
20，DebertaModel完整源码实现解析
21，DebertaForMaskedLM完整源码实现解析
22，DebertaPredictionHeadTransform完整源码实现解析
23，DebertaLMPredictionHead完整源码实现解析
24，DebertaOnlyMLMHead完整源码实现解析
25，DebertaForSequenceClassification完整源码实现解析
26，DebertaForTokenClassification完整源码实现解析
27，DebertaForQuestionAnswering完整源码实现解析