本文系统整理了深度学习基础课程内容，涵盖线性回归、逻辑回归、神经网络和经典CNN架构。从线性回归的最小二乘解析解和梯度下降法入手，详细推导了逻辑回归的交叉熵损失函数和Softmax多分类方法。重点分析了感知机的局限性及多层感知机解决XOR问题的原理，并给出BP算法的完整推导过程。最后介绍了LeNet、AlexNet、VGG和ResNet等经典CNN结构的发展脉络。全文包含大量公式推导和算法细节，既

本文系统整理了深度学习视觉应用的核心内容，涵盖四大模块：1）常用数据集（MNIST、CIFAR、VOC、COCO、ImageNet）的特点与应用场景；2）模型评价指标（精确率、召回率、P-R曲线、AP/mAP计算方法）；3）目标检测任务与YOLO系列的核心思想及损失函数设计；4）语义分割的基本概念。重点解析了计算机视觉任务的评估体系（如COCO的AP@0.5:0.95）和YOLO的单阶段检测原理，

本文系统介绍了Transformer模型的整体架构与核心原理。Transformer通过自注意力机制替代传统RNN结构，解决了序列建模中的长距离依赖和并行计算问题。模型包含编码器-解码器结构，其中编码器使用多头注意力捕捉全局语义关系，解码器通过掩码注意力实现自回归生成。关键创新包括正弦位置编码、缩放点积注意力、残差连接和层归一化等设计。实验表明，Transformer在机器翻译等任务上显著优于传统

本文系统梳理了大模型技术的发展脉络，重点解析了视觉大模型的核心技术。首先介绍了大语言模型(LLM)的基本原理和训练三阶段。随后深入分析了Vision Transformer(ViT)的核心思想，包括图像切分、嵌入层、编码器等关键技术细节，并探讨了ViT的优劣势。接着阐述了多模态大模型的关键技术，如CLIP的跨模态对比学习和DINO的自监督学习框架。最后指出当前视觉大模型正从规模竞赛转向效率竞赛，轻

本文系统整理了深度学习视觉应用的核心内容，涵盖四大模块：1）常用数据集（MNIST、CIFAR、VOC、COCO、ImageNet）的特点与应用场景；2）模型评价指标（精确率、召回率、P-R曲线、AP/mAP计算方法）；3）目标检测任务与YOLO系列的核心思想及损失函数设计；4）语义分割的基本概念。重点解析了计算机视觉任务的评估体系（如COCO的AP@0.5:0.95）和YOLO的单阶段检测原理，

算法类型策略形式核心特点MC价值评估（预测）给定策略完整片段平均，无偏高方差TD价值评估（预测）给定策略每步自举，有偏低方差SARSA控制随机（ε-greedy）On-policy保守，学习实际执行的动作Q-learning控制随机（行为策略不同）Off-policy大胆，学 max 动作DQN控制（离散动作）随机（ε-greedy）Off-policy神经网络 + 经验回放 + 目标网络控制随机