共3节 已有7人学过
主讲老师张旭波
更新时间2025-05-19 13:46:25
课件资料暂无
免费
在人工智能的快速发展中，视觉与语言的多模态交互已成为核心研究方向之一。本课程将系统讲解视觉与语言（Vision-and-Language, V&L）领域的核心算法、模型设计及实际应用，涵盖从基础理论到前沿技术的全链条知识。课程内容结合计算机视觉（CV）与自然语言处理（NLP）的交叉点，帮助学生掌握跨模态表征学习、多模态对齐与生成等关键技术。
课程亮点：
对计算机视觉（图像分类，目标检测，语义分割），NLP，文生图以及GAN领域感兴趣。 B站：https://space.bilibili.com/625095571 CSDN博客：https://blog.csdn.net/Keep_Trying_Go? spm=1010.2135.3001.5421 GitHub: https://github.com/KeepTryingTo
本课程从中文CLIP的理论与实战出发，带你系统掌握跨模态检索、零样本分类与参数高效微调的关键技术。你将理解原生CLIP为何在中文场景下降，中文CLIP如何用双塔结构、RoBERTa文本编码器和两阶段训练完成图文对齐；还会深入训练脚本，看懂ViT-B/16与BERT编码器、对比损失、相似度矩阵、检索准确率、混合精度与断点续训等工程实现。随后课程精讲Visual Prompt Tuning，讲清如何冻结ViT主干，仅靠浅层或深层可学习视觉prompt和分类头适配下游任务，并以少量参数逼近甚至超越全参数微调。适合具备一定深度学习基础、希望入门多模态、中文图文检索、CLIP应用或参数高效微调的学生、算法工程师和研究者。学完后，你能把CLIP从原理落到代码，把VPT从论文落到实现，并具备快速改造模型、完成下游任务实验的能力。
张旭波
对计算机视觉（图像分类，目标检测，语义分割），NLP，文生图以及GAN领域感兴趣。 B站：https://space.bilibili.com/625095571 CSDN博客：https://blog.csdn.net/Keep_Trying_Go? spm=1010.2135.3001.5421 GitHub: https://github.com/KeepTryingTo
给该课程打分：
发表
