你怎么看CV-Transformer【秋招面经分享】

秋招来了，跳槽季马上到了，大家多看别人的面经提前积攒经验，多了解几个热门&前沿知识点！别在侃侃而谈的时候，因为一个开放性问题卡壳，真的很社死！

最近面试的时候，面试官问了我一个问题：

你怎么看CV中的Transformer的！

当时我就懵了呢！因为前面还在聊技术问题，立马调整气势，说到：

我知道Transformer在NLP方面非常有实力！因为它在分类、检测等任务上展现了极其强劲的性能。而且骨干网络上的发展也推动了下游任务的发展，Swin Transformer更是成了屠榜般的存在，在工业界具有广阔的应用前景。

比如：

NLP中的训练方法是输入一个句子，盖住其中的几个词，然后要模型预测出盖住的词。

非常自然的能够想到CV中可以这样训练：输入一个图像，盖住其中的几个patch，然后要模型预测出盖住的patch。

但要想啃透CV Transformer 难度不小：

一方面，Transformer本是应用于NLP的论文，其中很多内容都形成了共识，在论文中并不会去详细介绍这些共识内容，例如QKV是什么，embedding是什么等，对于其他方向的人看到这些就很难理解。

另一方面，近小半年，Transformer+CV的论文就已经有40多篇。学术研究更新之快，与脱发速度成正比

我学习Transformer+CV的论文无非三个步骤：泛读、精读、代码复现。

给大家推荐科研一线——电子羊老师，推出的【CV中的Transformer专题MAE详解直播】，帮你彻底夯实 CV Transformer 基础。

PS：在学习MAE之前需要学习前置知识ViT的结构，输入以及输出。

↓ 前方福利 ↓

现在预约《MAE》直播仅0.1元

扫描👆二维码👆

购买MAE直播后添加小享

免费领取VIT论文讲解视频

23号直播剧透

1.《MAE》简介

    1.1研究背景

    1.2主要方法

    1.3研究成果

2.Pretrain finetune

    2.1什么是backbone？

    2.2如何用

    2.3一种符合逻辑的推论

3.为什么分类任务如此重要？

    3.1特征提取器在做什么

    3.2分类模块在做什么

    3.3性能和什么有关

    3.4如何获得一个好的特征提取器

↓ 前方福利 ↓

现在预约直播仅0.1元

👆扫码添加客服  即可领取↓

免费领取VIT论文讲解视频

（限99份，手慢无）

3.《MAE》的主要方法

    3.1整体结构

    3.2什么是AutoEncoder

    3.3高ratio mask&mask高效实现

    3.4非对称设计

还有很多干货，大家来看直播吧！

现在预约直播仅0.1元

👆扫码添加客服  即可领取↓

免费领取VIT论文讲解视频

（限99份，手慢无）