本周阅读的论文题目是《KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation》（《KAG：通过知识增强生成提升专业领域的大型语言模型》）。最近开发的检索增强生成（RAG）技术使得构建特定领域的应用变得高效。然而，它也存在局限性，包括向量相似性与知识推理的相关性差距，以及对知识逻辑（如数值、时间关系、

本周阅读的论文题目是《SegNet：ADeepConvolutionalEncoder-DecoderArchitectureforImageSegmentation》(《SegNet：一种用于图像分割的深度卷积编码器-解码器架构》)。本文中提出了一种新颖实用的用于语义像素分割的深度全卷积神经网络架构-SegNet。SegNet由一个编码器网络、一个相应的解码器网络和一个像素分类层组成。编码器网络

本周学习了李宏毅深度学习关于Transformer的部分。了解了Transformer架构分为编码器和解码器，然后详细学习了编码器和解码器的结构，包括位置编码、多头注意力机制、残差连接和归一化等重要组成部分，还了解了训练Transformer的一些方法和Transformer应用建议。最后使用Pytorch实现Transformer架构，进一步加深了对Transformer架构的理解。通过本周的学

本周阅读的论文题目是《End-to-End Object Detection with Transformers》(使用Transformer进行端到端目标检测)。

本周开始学习了吴恩达的机器学习课程，了解了什么是机器学习，机器学习主要分为监督学习和无监督学习，并简单了解其含义。其次了解了什么是单变量线性回归，了解了线性回归模型、代价函数、梯度下降等知识，并简单推导、计算和改写批量梯度下降算法。通过这周对吴恩达的机器学习课程的学习，我由此正式学习到了机器学习，简单了解了什么是机器学习，机器学习是对一个程序能通过学习经验后提高任务的处理能力，以此优化其性能的过程

本周阅读的论文题目是《Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation》(《基于空洞可分离卷积的语义图像分割编码器-解码器》)。DeepLab v3+是DeepLab系列最后一个网络结构，也是基于空洞卷积和多尺度系列模型的集大成者。

本周学习了李宏毅深度学习关于卷积神经网络的课程。了解了什么是卷积神经网络，以及卷积神经网络相关概念的学习，包括卷积核、感受野、步长和填充参数共享、卷积层、池化等概念。还通过对LeNet-5网络的简单分析加深了对卷积神经网络整体流程的理解。最后基于PyTorch框架使用卷积神经网络简单实现了识别手写数字0-9，进一步加深了对卷积神经网络的理解。卷积神经网络（Convolutional Neural

本周学习了李宏毅深度学习关于卷积神经网络的课程。了解了什么是卷积神经网络，以及卷积神经网络相关概念的学习，包括卷积核、感受野、步长和填充参数共享、卷积层、池化等概念。还通过对LeNet-5网络的简单分析加深了对卷积神经网络整体流程的理解。最后基于PyTorch框架使用卷积神经网络简单实现了识别手写数字0-9，进一步加深了对卷积神经网络的理解。卷积神经网络（Convolutional Neural

本周学习了李宏毅深度学习关于循环神经网络(RNN)部分的课程。了解了什么是RNN、RNN的基本原理和几种典型的RNN。之后学习了长短期记忆网络(LSTM)，认识了LSTM和普通神经网络、RNN的联系和区别。然后学习到了RNN的训练包括损失函数、梯度下降、误差分析等方面和RNN的应用例如多对一、多对多等方面。最后对比RNN和结构化学习，分析优劣。

本周学习了李宏毅深度学习关于BERT的部分。了解了BERT架构实际上是Transformer中的Encoder，学习了BERT包含的两个预训练任务：掩码输入和下一句预测。然后了解了BERT的应用场景，例如：情感分析、词性标注、自然语言处理和回答系统等。还了解了训练BERT是十分困难的事，但是能够预训练Seq2seq模型，以及BERT的好用之处在于能够进行一词多义。最后认识到了多语言BERT在零样本