本周重点巩固深度学习核心基础，围绕梯度下降原理、激活函数非线性作用、前向传播矩阵运算、反向传播链式推导、神经网络完整训练流程展开系统性学习与推导练习。通过对两层网络的反复梳理，理清了参数更新逻辑、矩阵维度匹配规律和误差传递路径，强化了理论理解与计算逻辑，为后续模型实现与进阶学习打下扎实基础。深入理解了梯度下降的核心逻辑和不同变体的特点，明白参数调整和误差的关系；掌握了激活函数引入非线性的作用，清楚

本周核心学习内容为深度卷积神经网络的经典架构体系与工程落地思路。在掌握卷积、池化、全连接层等基础CNN运算单元与图像分类基础流程后，进一步钻研了各类高性能深层卷积模型的迭代逻辑与核心优势。相较于基础浅层卷积网络，进阶深度卷积模型通过架构革新、训练策略优化，大幅提升了图像特征提取能力与模型泛化性能，成为计算机视觉技术落地的核心支撑。本次学习系统梳理了卷积网络的迭代发展脉络，重点剖析LeNet、Ale

本周重点巩固深度学习核心基础，围绕梯度下降原理、激活函数非线性作用、前向传播矩阵运算、反向传播链式推导、神经网络完整训练流程展开系统性学习与推导练习。通过对两层网络的反复梳理，理清了参数更新逻辑、矩阵维度匹配规律和误差传递路径，强化了理论理解与计算逻辑，为后续模型实现与进阶学习打下扎实基础。深入理解了梯度下降的核心逻辑和不同变体的特点，明白参数调整和误差的关系；掌握了激活函数引入非线性的作用，清楚

本周重点学习了深度学习中的目标检测任务，掌握了它的基础原理和常用核心方法。和只能识别图片物体种类的图像分类不同，目标检测不仅要分辨出图片里有什么东西，还要精准找到这个东西在图片中的位置，是实用性更强、难度更高的计算机视觉任务。这周的学习内容十分全面，主要包括：图像分类、目标定位和目标检测三者的区别，滑动窗口检测方法的基本思路，目标边界框的预测方式、交并比的作用，以及如何用非极大值抑制去除重复检测框

本周系统完成了卷积神经网络的基础理论学习，全面掌握了CNN的核心原理与运行机制。卷积神经网络依靠局部连接、参数共享、层级化特征提取三大核心优势，解决了传统全连接网络处理图像数据的弊端，实现了视觉特征的高效提取与表征。其中卷积层负责挖掘图像局部细节特征，池化层完成特征压缩与降噪筛选，多卷积核与深层堆叠结构则支撑模型完成从基础视觉元素到高级语义信息的逐层抽象。通过对卷积运算、填充步长、池化机制、多通道

本周在系统巩固梯度下降原理、神经网络前向传播与反向传播训练流程的基础上，重点围绕各类主流激活函数展开深入学习，通过对比不同激活函数的特性、优势与适用场景，深度理解了非线性机制在深度学习中的核心作用。学习过程扎实，理清了激活函数与模型表达能力、训练稳定性之间的关联，为后续模型设计与调优奠定了重要基础。关键词：深度学习；激活函数；非线性机制；梯度下降；神经网络训练Keywords。