✅优点：只要给定输入输出数据，网络可以通过反向传播自己学到规律。理论上可以逼近任意非线性函数，极大地扩展了模型的应用范围。❌缺点：梯度下降法容易陷入局部最优解，而不是全局最优解。需要大量的迭代运算。学习速率 α\alphaα 选大了容易震荡，选小了收敛极慢。隐层到底设几层？每层多少个节点？目前很多时候仍然依赖“炼丹”（经验和试错）。注：本文为课程学习记录。

从Minsky提出的XOR线性不可分问题引入，详细推导了多层感知机（MLP）与误差反向传播（BP）算法的原理。随后，针对全连接网络参数过多的痛点，引入了深度学习与卷积神经网络（CNN），系统学习了CNN的基本组件（卷积、池化、填充、步长），并梳理了从LeNet-5、AlexNet、VGG-16到ResNet的经典图像分类网络演进史。传统全连接网络面临连接权过多（如1000x1000图像接入1M隐节

本周的核心内容是以及视觉大模型（Large-scale Visual Models）的基础知识。从 NLP 领域的 Transformer 跨界到 CV 领域，再到如今火热的多模态大模型，深度学习的边界正在被不断拓宽。

✅优点：只要给定输入输出数据，网络可以通过反向传播自己学到规律。理论上可以逼近任意非线性函数，极大地扩展了模型的应用范围。❌缺点：梯度下降法容易陷入局部最优解，而不是全局最优解。需要大量的迭代运算。学习速率 α\alphaα 选大了容易震荡，选小了收敛极慢。隐层到底设几层？每层多少个节点？目前很多时候仍然依赖“炼丹”（经验和试错）。注：本文为课程学习记录。

从Minsky提出的XOR线性不可分问题引入，详细推导了多层感知机（MLP）与误差反向传播（BP）算法的原理。随后，针对全连接网络参数过多的痛点，引入了深度学习与卷积神经网络（CNN），系统学习了CNN的基本组件（卷积、池化、填充、步长），并梳理了从LeNet-5、AlexNet、VGG-16到ResNet的经典图像分类网络演进史。传统全连接网络面临连接权过多（如1000x1000图像接入1M隐节

本周的核心内容是以及视觉大模型（Large-scale Visual Models）的基础知识。从 NLP 领域的 Transformer 跨界到 CV 领域，再到如今火热的多模态大模型，深度学习的边界正在被不断拓宽。