Transformer发轫于NLP（自然语言处理），并跨界应用到CV（计算机视觉）领域。目前已成为深度学习的新范式，影响力和应用前景巨大。

本课程对Transformer的原理和TensorFlow 2代码进行精讲，来帮助大家掌握其详细原理和具体实现。

原理精讲部分包括：注意力机制和自注意力机制、Transformer的架构概述、Encoder的多头注意力（Multi-Head Attention）、Encoder的位置编码（Positional Encoding）、残差链接（Residual Connection）、层规范化（Layer Normalization）、FFN（Feed Forward Network）、Transformer的训练及性能、Transformer的机器翻译工作流程。

代码精讲部分使用Jupyter Notebook对Transformer的TensorFlow 2实现代码进行逐行解读，包括：安装TensorFlow、Transformer的数据集加载与预处理代码解读、Transformer的位置编码与多头注意力代码解读、Transformer的Transformer类代码解读、Transformer的优化器与损失函数代码解读、Transformer的训练代码解读、Transformer的推理与权重保存代码解读。

相关课程： 

《Transformer原理与代码精讲（PyTorch）》https://edu.csdn.net/course/detail/36697

《Transformer原理与代码精讲（TensorFlow）》https://edu.csdn.net/course/detail/36699

《ViT（Vision Transformer）原理与代码精讲》https://edu.csdn.net/course/detail/36719

《DETR原理与代码精讲》https://edu.csdn.net/course/detail/36768

《Swin Transformer实战目标检测：训练自己的数据集》https://edu.csdn.net/course/detail/36585

《Swin Transformer实战实例分割：训练自己的数据集》https://edu.csdn.net/course/detail/36586

《Swin Transformer原理与代码精讲》 https://download.csdn.net/course/detail/37045