本文系统梳理了神经网络与深度学习的核心知识框架，重点解析了BP算法和CNN的关键原理及其演进逻辑。

本周课程主题为“深度学习视觉应用”，内容从常用视觉数据集讲起，进一步介绍任务评价指标、目标检测与 YOLO、全卷积网络与语义分割。整体脉络是：先明确数据来源，再明确评价方式，最后进入检测和分割任务。通过本周学习，可以认识到计算机视觉并不只是“训练一个分类器”。图像分类关注“图中是什么”，目标检测关注“目标在哪里、是什么类别”，语义分割进一步判断每个像素类别。第2周课程以“深度学习视觉应用”为主线，

本文总结神经网络与深度学习第3周课程内容，重点梳理Transformer模型的输入编码、位置编码、Mask、Scaled Dot-Product Attention、多头注意力、Encoder、Decoder和输出层，并结合DeepLabV3语义分割实践说明预训练视觉模型的推理流程。

本文总结神经网络与深度学习第5周课程内容，围绕视觉大模型基础展开，梳理大语言模型预训练、微调、奖励模型与PPO，多模态大模型，Vision Transformer的Patch Embedding、位置编码、Encoder、MLP Head，以及CLIP图文对比学习、DINO自监督蒸馏和ViT/CLIP/DeepLab源码实践流程。

本文总结神经网络与深度学习第5周课程内容，围绕视觉大模型基础展开，梳理大语言模型预训练、微调、奖励模型与PPO，多模态大模型，Vision Transformer的Patch Embedding、位置编码、Encoder、MLP Head，以及CLIP图文对比学习、DINO自监督蒸馏和ViT/CLIP/DeepLab源码实践流程。