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

如果在不同电脑或服务器上手动安装这些环境，可能会遇到版本不一致、依赖冲突、CUDA 不兼容等问题。的作用就是将项目运行所需的系统环境、Python 环境和依赖库统一打包成镜像，使项目可以在不同机器上以相同环境运行。

Git 中的 merge 可以理解为：把另一个分支上的修改合并到当前分支。不同合并模式的区别，是合并后提交历史如何呈现、是否保留分支痕迹，以及是否重写提交记录。下面以 main 分支和 feature 分支为例，对常见合并方式进行说明。其中，D、E 表示在 feature 分支上完成的两个提交。

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，

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，

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，