网络核心贡献关键技术BP网络多层感知机训练梯度下降、误差反向传播LeNet-5CNN雏形卷积+池化+全连接AlexNet深度CNN复兴ReLU、Dropout、数据增强VGG小卷积核堆叠3×3卷积、深层结构ResNet极深网络训练残差连接、恒等映射。

模型/概念核心贡献关键技术AlexNet深度CNN成功应用ReLU、Dropout、数据增强、双GPUVGG小卷积核堆叠3×3 conv、规整结构ResNet极深网络训练残差块、恒等捷径连接常用数据集提供标准benchmarkmAP检测评价标准P-R曲线、AP平均YOLO实时目标检测网格划分、回归思想课后思考既然浅层网络已经可用，为什么要不断加深网络？（答案：深层网络能学习更抽象、更具判别力的特征

计算机视觉与 NLP 正在深度融合，YOLO 和 Transformer 都是端到端建模的典范注意力机制正逐步取代 RNN/CNN 成为主流建模手段评价指标（如 mAP、BLEU）是理解模型性能的关键。

本周课程围绕“视觉大模型”这一前沿主题展开，系统介绍了大模型的技术背景、训练方法、多模态发展方向，并深入讲解了视觉领域的经典Transformer模型——Vision Transformer（ViT）。课程内容从自然语言处理中的大语言模型出发，逐步过渡到多模态理解与视觉Transformer的设计思路，形成了从语言到图像、从理论到实践的完整学习路径。本次课程系统梳理了从大语言模型到视觉大模型的技术

本周课程围绕“视觉大模型”这一前沿主题展开，系统介绍了大模型的技术背景、训练方法、多模态发展方向，并深入讲解了视觉领域的经典Transformer模型——Vision Transformer（ViT）。课程内容从自然语言处理中的大语言模型出发，逐步过渡到多模态理解与视觉Transformer的设计思路，形成了从语言到图像、从理论到实践的完整学习路径。本次课程系统梳理了从大语言模型到视觉大模型的技术

模型/概念核心贡献关键技术AlexNet深度CNN成功应用ReLU、Dropout、数据增强、双GPUVGG小卷积核堆叠3×3 conv、规整结构ResNet极深网络训练残差块、恒等捷径连接常用数据集提供标准benchmarkmAP检测评价标准P-R曲线、AP平均YOLO实时目标检测网格划分、回归思想课后思考既然浅层网络已经可用，为什么要不断加深网络？（答案：深层网络能学习更抽象、更具判别力的特征

个人认为最重要的是取消勾选“仅依靠系统字体，不使用文档字体”，当然可能之前按网上其他方法作的尝试也是必要的。网上的方法都试过，没用，最后的解决方法是改变打印机属性。像这样的公式，带有大括号，导出为pdf后成为。微软的word，用latex输入的公式。