直观上看，神经网络越深，其表达能力就越强。然而实践中发现，当网络深度增加到一定程度后，模型效果反而会明显下降。这种下降不仅体现在测试集上，在训练集上同样存在，这说明问题并非由过拟合引起，而是网络本身难以被有效优化。这被称为深层网络的问题。随着网络不断加深，误差信息在反向传播过程中难以有效传递，参数更新受阻。在这一背景下，提出了一种新的网络结构，使深层网络的训练变得更加容易，在当年的2015竞赛中获

我们所看到的特征图，即卷积层的输出通常是一个二维矩阵。它有宽高，可以可视化成灰度图或热力图，像是一张新的图像。但这只是形式相似，含义完全不同。如果说一个卷积核对应一种特征，特征图表示某个卷积核的激活强度分布，即某个卷积核对应特征的强弱分布。比如一个竖直边缘卷积核，在竖直边缘处响应强，而在平坦区域响应弱。不同卷积核对应不同特征。在靠近输入的卷积层，它们的输入通道是RGB或原始像素，得到的浅层特征图感

与x4进行拼接，通道数翻倍，最后经3×3卷积核（stride=1, padding=1）双层卷积DoubleConv，空间尺寸不变，通道被压到 256，最终输出特征图为32×32×256；与x2通道数翻倍（128×128×256），经双层卷积（256→64, mid=128）输出特征图为128×128×64；输入64×64×256， 2×2 最大池化输出32×32×256；输入256×256×1，

是由华为推出的操作系统，面向手机、平板、智能穿戴、智慧屏等多种设备。它的特点是：支持多设备形态统一开发框架声明式 UI 编程兼容主流应用开发习惯只需要会基本的编程操作，一步一步完成。便可在最短时间内完成一个可运行的鸿蒙应用。

是由华为推出的操作系统，面向手机、平板、智能穿戴、智慧屏等多种设备。它的特点是：支持多设备形态统一开发框架声明式 UI 编程兼容主流应用开发习惯只需要会基本的编程操作，一步一步完成。便可在最短时间内完成一个可运行的鸿蒙应用。

简单分类问题如使用自定义数据集，需要把FashionMNIST(...) 换成一个能返回 (图片, 标签)的 Dataset。可以按文件夹给数据集分好类，类似data/train/val/car/ a.jpg直接用 torchvision.datasets.ImageFolder即可，它默认一个文件夹是一个类别，文件夹名就是 类别名，而文件夹里的所有图片是该类别的样本。同样需要对图像进行统一尺寸、

AI 时代的浪潮，似乎裹挟着我们每个人都“懂点 AI”才不会被时代所抛弃。如果你在网络上搜索 AI 学习，一定跳不过的一个词就是 深度学习。无论是图像识别、自然语言处理，还是大模型应用背后的训练机制，深度学习是这套体系的基础。

ChatGPT、Claude、Copilot 代码写得飞快，似乎，对绝大多数非计算机科班出身的我们来说，够用了。但这并不意味着代码能力本身不再重要。从写一段代码，转向构建一个可运行、可维护、可解释的系统。不只是语法层面的熟练度，而是系统逻辑、程序架构、数据结构背后的抽象方式，并行、异步的性能优化与取舍，以及如何将一个科学问题转化为可执行程序。这样来看，我们还是需要，或言之本文介绍。使用 Pytho

初次上手TFT屏幕使用，由于屏幕分辨率、ic驱动、引脚对应等复杂配置工作，使得TFT屏幕入门不是那么容易，本文着重分享使用esp32在arduino中进行TFT配置。