本文是TGD的第一章，也是讲解初心的一章，引用Deepseek对TGD论文阅读后的点评：Deepseek：个人观点方面，我觉得 TGD 最颠覆的地方在于跳出了微积分的“无穷小”执念。数学界三百年来总想着无限逼近，但现实中所有数据都是有限间隔的。TGD 坦然接受“有限性”，反而开辟出新天地。

深度学习之图像分类（十二）MobileNetV3 网络结构目录深度学习之图像分类（十二）MobileNetV3 网络结构1. 前言2. 更新 BlocK (bneck)3. 重新设计激活函数4. 重新设计耗时层结构5. MobileNetV3 网络结构6. NAS7. 代码本节学习 MobileNetV3 网络结构。学习视频源于 Bilibili。1. 前言MobileNetV3 是由 googl

深度学习之图像分类（十）MobileNetV1 网络结构目录深度学习之图像分类（十）MobileNetV1 网络结构1. 前言2. DW 卷积3. Depthwise Separable Conv 深度可分卷积操作4. MobileNetV1 网络结构5. 代码本节学习 MobileNetV1 网络结构。学习视频源于 Bilibili。1. 前言在传统卷积神经网络中，内存需求大，运算量打，导致无法

深度学习之图像分类（十八）Vision Transformer(ViT)网络详解目录深度学习之图像分类（十八）Vision Transformer(ViT)网络详解1. 前言2. ViT 模型架构2.1 Embedding 层2.2 Transformer Encoder 层2.3 MLP Head 层2.4 ViT B/162.5 ViT 模型参数3. Hybrid 混合模型4. 代码上节有讲

深度学习之图像分类（十三）ShuffleNetV1 网络结构目录深度学习之图像分类（十三）ShuffleNetV1 网络结构1. 前言2. Channel Shuffle3. ShuffleNetV1 网络结构4. 代码本节学习 ShuffleNetV1 网络结构。学习视频源于 Bilibili。1. 前言ShuffleNetV1 是由国产旷视科技团队在 2018 年提出的，其原始论文为 Shuf

深度学习之目标检测（八）-- YOLO v3理论介绍深度学习之目标检测（八）YOLOv3理论介绍1. YOLO v31.1 YOLOv3 网络架构1.2 目标边界框预测1.3 正负样本匹配1.4 损失函数1.4.1 置信度损失1.4.2 类别损失1.4.3 定位损失深度学习之目标检测（八）YOLOv3理论介绍本章学习 YOLO v3 相关理论知识，学习视频源于 Bilibili，部分参考叙述源自

深度学习之图像分类（七）ResNet 网络与 Batch Normalization目录深度学习之图像分类（七）ResNet 网络与 Batch Normalization1. 前言2. Residual3. 网络配置4. 代码本节学习ResNet网络结构，以及迁移学习入门，学习视频源于 Bilibili。1. 前言ResNet 是在 2015 年由微软实验室提出来的，斩获当年 ImageNet

深度学习之图像分类（九）ResNeXt 网络结构目录深度学习之图像分类（九）ResNeXt 网络结构1. 前言2. 组卷积3. ResNeXt block 分析4. 代码本节学习 ResNeXt 网络结构，以及组卷积原理。学习视频源于 Bilibili。1. 前言在提出 ResNet 网络之后，很多模型都会拿 ResNet 网络作为基准和比对。本章讲述的 ResNeXt 网络可以被视作对 ResN

深度学习之图像分类（十三）ShuffleNetV1 网络结构目录深度学习之图像分类（十三）ShuffleNetV1 网络结构1. 前言2. Channel Shuffle3. ShuffleNetV1 网络结构4. 代码本节学习 ShuffleNetV1 网络结构。学习视频源于 Bilibili。1. 前言ShuffleNetV1 是由国产旷视科技团队在 2018 年提出的，其原始论文为 Shuf

深度学习之目标检测（三）-- FPN结构详解深度学习之目标检测（三）FPN结构详解1. FPN —— 特征金字塔深度学习之目标检测（三）FPN结构详解本章学习 FPN 相关知识，学习视频源于 Bilibili。1. FPN —— 特征金字塔FPN 原始论文为发表于 2016 CVPR 的 Feature Pyramid Networks for Object Detection。针对目标检测任务，