介绍了级数的第三部分 —— 傅里叶级数的相关内容，包括各种情况下的函数展开为傅里叶级数情况。

介绍了空间几何中，向量的基本概念和运算。

介绍了二次型的一些基本定理，以及化为标准型的两种方法。

ResNet（残差网络）是深度学习中的重要架构，尤其适用于设计深层神经网络。其核心思想是通过引入残差块，确保新添加的层不会降低网络性能，而是逐步逼近全局最优。残差块通过快速通道实现 $f(x)=x+g(x)$ 的结构，即使 $g(x)$ 无效，网络也不会退步。ResNet 沿用了 VGG 的 3×3 卷积层设计，并通过 1×1 卷积层调整通道数。ResNet-18 模型由 4 个模块组成，每个模块

通过分阶段求解最短路问题，展示了动态规划方法的基本思想。

介绍了有关工作时间的确定方法以及事项的时间参数。

介绍了考研数学中重要定理及结论的证明过程

介绍了对坐标的曲面积分（第二类曲面积分）的相关内容，包括定义、性质、计算法以及与第一类曲面积分的关系，还介绍了场论的初步内容，包括梯度、旋度、散度、通量以及环流量的内容。

虽然 AlexNet 证明深层神经网络卓有成效，但它没有提供一个通用的模板来指导后续的研究人员设计新的网络。也就是说尽管我知道了更深更大的网络更有效，但是不清楚怎么让它更深更大，从而起到一个更好的效果。于是，研究人员开始从单个神经元的角度思考问题，发展到整个层，现在又转向块，重复层的模式。使用块的想法首先出现在牛津大学的视觉几何组的 VGG 网络中，通过使用循环和子程序，可以很容易地在任何现代深度

介绍了利用动态规划方法，求解设备更新问题的思路，以及一个详细的算例。