一、介绍

1. 导论：Transformer 背景介绍，Transformer 能胜任的任务介绍。
2. 相关知识：深度学习基础（神经网络，回归，分类，优化，激活函数等），具体介绍序列到序列模型，RNN，Seq2Seq，LSTM等。
3. Transformer 基本概念：编码器、解码器，多头注意力，位置编码，层归一化等。

二、实践

1. 利用Transformer构建NLP任务模型：语义匹配、文本分类等。
2. 模型优化：加载预训练模型，细节的调优，数据增强，调整Dropout等。
3. 模型深度：尝试不同网络深度，以及不同模型结构，熨帖过程等。

三、实践项目

1. 训练自己的Transformer模型：自行构建数据集，熟悉模型参数，进行模型训练和验证过程。
2. 扩展Transformer模型：例如增加更多层、多头注意力，特定序列模型结构，语义匹配函数等。
3. 尝试不同数据集：尝试大规模的神经机器翻译，语义匹配，视觉问答，语音识别等不同领域的数据集进行测试，探索Transformer在不同场景的应用。

四、学习资源

1. 课外资料：诸如论文、博客文章、官方文档等资料对比学习，了解各家的实现方式。
2. 项目实践：深入理解实际项目中模型搭建，损失函数，数据准备，模型验证等。
3. 其他资源：尝试一些开源项目，例如TensorFlow，PyTorch，Keras等。