很多人一开始学深度学习，不是觉得难，而是觉得乱：任务、数据、模型、训练、评测、部署，这些概念总是混在一起。这篇文章用一张总图，把深度学习从需求到上线的完整链路讲清楚，适合入门时先建立整体框架。

很多初学者并不是学不会深度学习，而是容易把任务、模型、模块、训练、评测和工具这些不同层级的概念混在一起，结果名词越看越多，脑子却越来越乱。本文从“为什么会乱”出发，系统拆解初学者最常见的认知误区，并给出一套更清晰的学习整理方法。

很多初学者接触开发环境时，最容易把 Linux、Ubuntu、WSL、虚拟机和 Docker 混在一起。它们经常同时出现，却根本不在同一层。本文从 Windows 这个最熟悉的起点出发，用大白话和比喻讲清这 5 个概念分别是什么、彼此是什么关系，以及它们分别适合解决什么问题。

摘要： R-CNN（2014 CVPR）是深度学习目标检测的开创性工作，其核心思想是候选区域+CNN特征+分类器的组合框架。

很多人一开始学深度学习，不是觉得难，而是觉得乱：任务、数据、模型、训练、评测、部署，这些概念总是混在一起。这篇文章用一张总图，把深度学习从需求到上线的完整链路讲清楚，适合入门时先建立整体框架。

很多初学者并不是学不会深度学习，而是容易把任务、模型、模块、训练、评测和工具这些不同层级的概念混在一起，结果名词越看越多，脑子却越来越乱。本文从“为什么会乱”出发，系统拆解初学者最常见的认知误区，并给出一套更清晰的学习整理方法。

分类、检测、分割、生成、检索，都是深度学习里最常见的任务类型，但很多初学者总会把它们混在一起。本文从“输入是什么、输出是什么、任务粒度是什么”这条主线出发，系统解释五类任务的核心区别，并结合二分类、多分类、目标检测、图像分割、扩散模型去噪生成和相似检索等直观例子，帮助读者真正建立任务层的整体认知。

VGG 是经典 CNN 发展史中非常关键的一篇论文。本文将围绕这篇论文的核心问题、结构设计、实验结论与历史意义展开阅读，重点说明作者如何在统一卷积架构下验证“网络更深是否真的更有效”，以及 3x3 小卷积核堆叠为何会成为后续视觉模型设计的重要思路。通过这篇文章，读者不仅能理解 VGG 的模型结构，还能看清它在 AlexNet 与 ResNet 之间所起到的承上启下作用。

目标检测：类别 + 框。语义分割：每个像素的类别。前景分割：主体与背景。实例分割：每个物体的精确 mask。全景分割：全图语义类别 + 可数物体实例。选择任务时，不要先问“哪个模型更强”，而要先明确：你需要的是大致位置、像素类别、主体轮廓，还是每个物体的独立身份。

本文作为 Git 入门第一篇，从版本控制的实际需求出发，用通俗方式介绍 Git 是什么、为什么要学 Git，以及它在代码管理、历史回溯和团队协作中的作用，帮助初学者建立整体认识，为后续学习常用命令和分支操作打好基础。