本周的课程为我们铺设了深度学习最核心的底层逻辑。模型定义：通过矩阵仿射变换与非线性激活函数，构建了具有万能逼近能力的假设空间（MLP）。目标确立：利用极大似然估计推导出了均方误差（MSE）与交叉熵损失，为系统优化提供了明确的评价指标。动力学驱动：借助微积分链式法则推导出的 BP 算法，让模型能够在复杂的非凸损失曲面上，通过小批量随机梯度下降（SGD）实现参数的自主进化与寻优。本周的课程涵盖了深度学

109平移不变性（Translation Invariance）局部性（Locality）

任务定义：在给定图片中精确找到物体所在位置，并标注出物体的类别挑战：物体尺寸变化大、姿态不定、可出现在图片任意位置、多类别共存发展历程任务定义：对图像中的每个像素进行分类，将图像分割成若干个具有语义意义的区域与目标检测的区别：目标检测输出物体的边界框和类别，语义分割输出像素级别的类别标注。

本周的课程带领我们实现了从纯粹的自然语言处理（NLP）领域向视觉与多模态领域的范式跨越。我们从大语言模型（LLM）的训练机制出发，最终落脚于彻底改变计算机视觉基本架构的 Vision Transformer (ViT)。大模型的演进与对齐：解构了从无监督预训练到有监督微调（SFT），再到基于人类反馈强化学习（RLHF）的 LLM 训练三部曲。多模态的内在统一：探讨了如何以 LLM 为认知中枢，通过

本周的课程带领我们实现了从纯粹的自然语言处理（NLP）领域向视觉与多模态领域的范式跨越。我们从大语言模型（LLM）的训练机制出发，最终落脚于彻底改变计算机视觉基本架构的 Vision Transformer (ViT)。大模型的演进与对齐：解构了从无监督预训练到有监督微调（SFT），再到基于人类反馈强化学习（RLHF）的 LLM 训练三部曲。多模态的内在统一：探讨了如何以 LLM 为认知中枢，通过

本周的课程为我们铺设了深度学习最核心的底层逻辑。模型定义：通过矩阵仿射变换与非线性激活函数，构建了具有万能逼近能力的假设空间（MLP）。目标确立：利用极大似然估计推导出了均方误差（MSE）与交叉熵损失，为系统优化提供了明确的评价指标。动力学驱动：借助微积分链式法则推导出的 BP 算法，让模型能够在复杂的非凸损失曲面上，通过小批量随机梯度下降（SGD）实现参数的自主进化与寻优。本周的课程涵盖了深度学