AI-Python深度学习核心架构—PINN正反问题求解、Transformer建模、图神经网络时空推理、进化深度学习与扩散模型、自进化Agent科学应用

AI-Python前沿深度学习核心架构与科学计算实战——PINN正反问题求解、Transformer多领域建模、图神经网络时空推理、深度强化学习、进化深度学习与扩散模型、自进化Agent数据科学应用高级研修班

培训时间：10月11日-12日 17日-18日

每日授课：上午9：30-12：00 下午14：00-17：30

当前，科学研究正经历”数据驱动”与”机理驱动”双轮融合的深刻范式变革。一方面，观测、监测与遥感数据呈指数级增长，传统建模方式难以从中提炼可靠知识；另一方面，数值模拟模型日益复杂，率定成本高企，且模型内部机理难以被纯数据方法替代。高校与科研院所的研究者普遍面临三重挑战：物理方程与深度学习两套话语体系割裂，PINN等融合方法门槛高、落地少；Transformer、图神经网络、强化学习等前沿架构概念繁多，跨领域迁移路径不清晰；模型率定、超参调优与结果解释环节仍依赖经验试错，进化计算等系统化方法论支撑。在此背景下，本课程旨在为一线研究者提供从PyTorch全栈筑基到六类前沿AI技术的完整进阶路径，帮助系统掌握”物理—数据”两位一体的智能建模方法论，实现从”会用模型”到”会设计模型、会诊断模型、会解释模型”的能力跃迁。

课程以”PyTorch全栈筑基、真实数据驱动、问题导向实战”为三大支柱，构建兼具学术严谨性与工程实用性的培养体系。技术层面，系统讲授物理信息神经网络（PINN）的正反问题求解、Transformer在自然语言处理、时间序列预测与遥感影像解译三大领域的迁移应用、图神经网络的消息传递机制与时空建模、深度强化学习从Q-learning到PPO/SAC的算法谱系与工业智能体构建、进化计算驱动的无梯度优化与神经架构搜索与扩散模型的原理、从零实现及其在自然科学中的应用。实战层面，全部案例基于PyTorch软件栈（含torchvision、torchtext、PyTorch Geometric、Gymnasium、BoTorch/GPyTorch、DEAP、pgmpy/DoWhy等生态）完成，数据一律采用公开真实数据集，保证即学即用、课后可复现。四天沉浸式学习，打通从算法原理到科研落地的最后一公里。

培训费用

非会员费用：3580元    Ai尚研修会员费用：会员政策参会【最高享受75折优惠】

【组合课程选择】：

组合	课程选择	组合优惠
A类	本课程+原价3580元AI-Python机器学习与深度学习核心架构、可解释AI及前沿技术应用	5720元
B类	本课程+原价3980元面向真实科研场景，基于 Codex、Claude Code、OpenClaw 与 Hermes 四位“AI研究员”,构建贯通科研任务执行、流程编排、质量复核与知识沉淀全流程的可迭代、可迁移科研智能协作系统（AIOS）	6040元
C类	本课程+原价3180元最新AI+CMIP6数据分析与可视化、降尺度技术与气候变化	5400元
Ai尚研修会员请联系课程顾问了解套餐优惠

发票及证明

课程安排

专题一：PyTorch全栈筑基与物理信息神经网络（PINN）正反问题求解

1、张量（Tensor）核心操作：创建、索引切片、维度变换、设备指定与GPU加速 

2、自动微分机制：计算图、torch.autograd.grad高阶导数、PINN赖以实现的微分引擎 

3、nn.Module建模范式：自定义网络类、损失函数与优化器、模型保存与加载

4、PINN核心思想：将控制方程（ODE/PDE）残差直接编码进损失函数，数据项+物理项+初边值项的复合损失架构 

5、配点法（collocation）采样策略：均匀采样、拉丁超立方采样与自适应加密

6、偏微分方程正问题以及软件选择

7、PINN反问题：从稀疏带噪观测中反演未知参数

8、训练诊断与调优：损失权重平衡、梯度病理分析、Adam+L-BFGS两阶段训练

9、PINN的前沿：激波等steep gradient问题的弱形式改进思路

专题二：Transformer注意力机制与多领域前沿应用（自然语言处理、时间序列、遥感影像）

1、从RNN/LSTM到注意力：时序展开的梯度困境、长期依赖问题与注意力的破局逻辑

2、自注意力机制：Query-Key-Value投影、缩放点积注意力、注意力权重矩阵的可视化解读 

3、Transformer架构精解：多头自注意力、位置编码、残差连接与层归一化、掩码自注意力与因果建模

4、预训练范式：BERT双向编码与GPT自回归解码的任务适配逻辑

5、NLP应用：文本分类Transformer：词嵌入+位置编码+Transformer编码器+池化分类头，

6、时间序列应用：时序Transformer的关键改造：分块嵌入（PatchTST思想）、通道独立策略、可逆实例归一化RevIN 

7、时间序列应用：多变量长期预测实战：构建PatchTST式预测模型，seq_len/pred_len设计与MSE/MAE评估 

8、遥感影像应用：Vision Transformer（ViT）：图像分块嵌入img_to_patch、类别标记CLS、与CNN感受野机制的对比 

9、遥感影像应用：数据增强与迁移学习两条路线对比

10、遥感影像应用：Swin Transformer：层次化特征与移位窗口机制，面向大幅面遥感场景的计算效率优化 

11、注意力热力图分析与模型诊断 

专题三：图神经网络：消息传递机制、时空图建模与PyTorch Geometric实战

1、从表格到图的表示升级：图的基本元素（节点、边、邻接矩阵）、关系数据的独特价值

2、GNN适用判据：隐式关系与相互依赖、高维稀疏性、复杂非局部交互

3、图的核心任务谱系：节点分类、链接预测、图分类、图嵌入

4、消息传递框架：消息收集—聚合—更新变换的统一视角

5、图嵌入两条路线：Node2Vec直推式随机游走 vs GNN归纳式嵌入 

6、GCN与GraphSAGE：谱域与空域卷积、邻域聚合函数设计、半监督节点分类

7、GAT图注意力网络：注意力加权聚合、节点重要性差异场景、类别不平衡处理与过平滑问题

8、图自编码器GAE/VGAE：内积解码器、KL散度正则与链接预测 

9、时空图神经网络：时序邻接矩阵块对角拼接、RNN/GRU引入记忆、神经关系推断（NRI）在邻接未知条件下反推隐式图结构 

10、PyG工程实践：Data与Dataset抽象、内置数据集生态、自定义图构建 

专题四：深度强化学习：从Q-learning到PPO/SAC与工业智能体构建

1、RL问题定位：序贯决策与策略性问题的识别、何时该用强化学习

2、马尔可夫决策过程：状态—动作—奖励—转移四元组、价值函数与折扣回报、多臂老虎机与ε-greedy探索

3、奖励工程（Reward Engineering）：奖励塑形原则与常见陷阱

4、动态规划与蒙特卡洛方法：价值迭代、策略评估与改进

5、时序差分学习：TD(0)、Q-learning与SARSA的异同、n步算法与资格迹、Double Q-learning 

6、DQN深度Q网络：经验回放、目标网络克隆、Q值过估计问题 

7、Rainbow DQN六大改进：优先经验回放、Dueling网络、Noisy Nets、分布式RL等 

8、策略梯度方法：REINFORCE与基线方差缩减、Actor-Critic与A2C 

9、信任域与近端策略：TRPO、PPO裁剪目标函数

10.连续控制与离策略：DDPG、TD3双延迟确定性策略梯度

11、最大熵强化学习：SAC软Actor-Critic、温度参数自动调节与探索机制 

12、智能体环境接口规范与自定义环境开发

专题五：进化深度学习：遗传算法、神经进化与无梯度AutoML

1、进化计算（EC）定位：自然选择原理、与梯度方法的本质差异、不可微与无源码黑箱场景的独特价值

2、遗传算法四要素：种群构建、适应度评估、选择交叉、变异；种群规模/代数/交叉率/变异率四大超参数 

3、DEAP框架五构件：creator个体定义、toolbox算子注册、hall of fame名人堂、statistics统计、history谱系追踪

4、遗传编程（GP）与符号回归：用基因序列定义计算过程，产出可解释经验公式

5、群体智能扩展：粒子群优化PSO、协同进化、进化策略ES、差分进化DE处理不连续函数

6、进化超参数优化（HPO）：随机搜索/网格搜索/进化搜索的对比实验设计，PCA降维辅助高维搜索 

7、神经进化优化：以GA替代反向传播直接进化网络权重、无梯度训练的可行性与边界 

8、进化CNN架构：网络结构基因编码、专属交叉变异算子设计、进化式NAS 9、进化自编码器与VAE结构搜索 

10、GAN训练顽疾与进化修复：梯度消失、模式坍塌、收敛失败的博弈论分析，Wasserstein损失 

11、NEAT增强拓扑神经进化：权重与拓扑协同进化、物种形成机制保护结构创新、NEAT-Python配置驱动实践 

12、进化方法与RL的边界辨析：Q-learning与进化策略在控制任务上的对照

专题六：扩散模型及其在自然科学中的应用

1、生成模型格局演进：从GAN对抗博弈、VAE变分推断到扩散模型，扩散训练稳定性的来源 

2、前向扩散过程：T步逐步加噪、线性/余弦噪声调度（noise schedule）、q(x_t|x_0)闭式加噪公式

3、反向去噪过程：噪声预测目标（DDPM，Ho et al. 2020）、按时间步条件的U-Net去噪器、正弦时间步嵌入 

4、从零训练DDPM：随机时间步采样—加噪—噪声回归—MSE损失的最小训练循环（约200行PyTorch核心代码）

5、加速采样：DDIM跳步确定性采样与推理

6、可控生成：Classifier-Free Guidance（CFG）原理、条件标签嵌入与条件随机丢弃、引导强度w的精度—多样性权衡 

7、高分辨率文生图路线：潜空间扩散（Latent Diffusion）、Stable Diffusion架构拆解（VAE压缩+U-Net去噪+CLIP文本编码器） 

8、自然科学应用前沿：气象与气候降尺度：CorrDiff残差修正扩散（确定性回归预测均值+扩散生成随机残差集合）、GenCast扩散集合中期天气预报、公里级降水/风速超分辨率 

9、自然科学应用前沿：数据同化与观测融合的超分辨率（稀疏观测+模拟场动态半径融合）、随机场/湍流场生成、极端事件集合成员扩充

10、科学场景设计要点：条件场编码方式、物理约束的引入、两阶段”回归+扩散”组合范式、生成集合的统计一致性检验

专题七：自进化Agent与DeepSeek Harness在数据科学中的实战

1、什么是自进化agent

2、自进化Agent的优点及基本原理

3、Prime Agent的安装与应用

4、一切都是插件：DeepSeek Harness的安装

5、用于数据科学的提示词