attention 在 cv 和 nlp 领域都有很多的应用，比如在 cv 中，可以使用 detr 进行目标检测任务，使用 vit / mae 进行图片预训练任务。

在 nlp 领域中的作用更不用提， bert 以及后续的更多工作将 attention 彻底的发扬光大。

cv 和 nlp 中的很多方法和技巧也在相互影响，比如大规模的预训练、mask 的设计(mae 、vilbert)、自监督学习的设计(从 imageNet 做有监督的预训练到纯粹的自监督预训练)。

这些方面都非常的有趣，我希望可以设计一个 backbone 结构，让其可以在 cv 任务和 nlp 任务上均取到 sota 的效果。

从而为之后的任务提供一个 baseline。

提供一套完整的的基础算法服务

1、python 训练任务，包含 NLP 和 CV 任务。

2、java 环境下使用 onnx 的在线推理部署。

第一阶段：实现 NLP 和 CV 的典型任务，并评估下游效果。

• Pytorch 实现 Transformer 的 encode 阶段，并实现 bert ;

  参考 transformers 的设计，但只保留与关键 encode 相关的代码，简化代码量。 保持与原始 huggingface encode 的结果一致, 使用方法和一致性校验可以参考 backbone_bert 。

  • 提供 transformers 中 bert-base-chinese 、chinese-roberta-wwm-ext 、chinese-roberta-wwm-ext-large 、ernie 1.0 的国内下载镜像, 下载方式具体可参考 transformers国内下载镜像 。

• Pytorch 实现 Transformer 的 decode 阶段，并实现 seq2seq 任务。

  todo

• NLP 下游任务 序列标注、分类 的实现，并在公开数据集上进行评估，这里主要是想证明实现的 backbone 效果是符合预期的；

  todo

• 实现 Vit，并在下游任务上验证实现 Vit 的效果是否符合预期；

  todo

第二阶段：增加 NLP 和 CV 的其余常见任务，扩增项目的能力范围。

• UNILM；
• MAE；
• GPT系列；
• seq2seq，搞一个翻译任务；
• 实现模型的 onnx export；
• 实现 java 下的 onnx 推理过程；