优点：具有完全自主的学习能力，并且在理论上能够一致逼近任意非线性函数。缺点：算法属于局部极小而非全局收敛；收敛速度相对较慢；超参数学习速率 $\alpha$ 的选择往往依赖经验；此外，神经网络的结构设计（如具体设计几层、隐层包含多少个节点等）依然缺乏统一的理论指导。本周的学习完整走过了从传统“全连接前馈网络”向现代“深度卷积网络”演进的历史轨迹。

目标检测任务不仅要在给定的图片中精确定位物体所在的位置（标出 bounding box），还要同时识别出该物体的具体类别。它的难点在于物体的尺寸变化大、摆放角度和姿态不定、位置随机，且可能在一张图里密集出现多个类别的物体。

串行计算限制：必须按时间步（Token by Token）依次前向传播，无法有效利用 GPU 的强并行计算能力。长距离依赖丢失：尽管 LSTM 引入了门控机制，但在面对极长文本时，依然容易出现梯度消失或信息遗忘。

大模型技术最初在自然语言处理（NLP）领域凭借 GPT、BERT 等架构大放异彩。本周课程展示了其向计算机视觉（CV）领域全方位跨界的必然趋势。核心驱动力：打破传统 CNN 的局部感受野限制，通过海量数据与超大参数量，让模型建立对视觉世界更本质的常识性、通用性理解。

优点：具有完全自主的学习能力，并且在理论上能够一致逼近任意非线性函数。缺点：算法属于局部极小而非全局收敛；收敛速度相对较慢；超参数学习速率 $\alpha$ 的选择往往依赖经验；此外，神经网络的结构设计（如具体设计几层、隐层包含多少个节点等）依然缺乏统一的理论指导。本周的学习完整走过了从传统“全连接前馈网络”向现代“深度卷积网络”演进的历史轨迹。

目标检测任务不仅要在给定的图片中精确定位物体所在的位置（标出 bounding box），还要同时识别出该物体的具体类别。它的难点在于物体的尺寸变化大、摆放角度和姿态不定、位置随机，且可能在一张图里密集出现多个类别的物体。

串行计算限制：必须按时间步（Token by Token）依次前向传播，无法有效利用 GPU 的强并行计算能力。长距离依赖丢失：尽管 LSTM 引入了门控机制，但在面对极长文本时，依然容易出现梯度消失或信息遗忘。

大模型技术最初在自然语言处理（NLP）领域凭借 GPT、BERT 等架构大放异彩。本周课程展示了其向计算机视觉（CV）领域全方位跨界的必然趋势。核心驱动力：打破传统 CNN 的局部感受野限制，通过海量数据与超大参数量，让模型建立对视觉世界更本质的常识性、通用性理解。

大模型技术最初在自然语言处理（NLP）领域凭借 GPT、BERT 等架构大放异彩。本周课程展示了其向计算机视觉（CV）领域全方位跨界的必然趋势。核心驱动力：打破传统 CNN 的局部感受野限制，通过海量数据与超大参数量，让模型建立对视觉世界更本质的常识性、通用性理解。