相较于 H.264 固定大小的宏块（16×1616\times1616×16），HEVC 的预测单元（PU）支持从64×6464\times6464×64到4×44\times44×4的多尺度划分，并引入了非对称运动划分（AMP，如24×6424\times6424×6464×4864\times4864×48等）。这意味着对于一个64×6464\times6464×64。

前向传播是指：数据从输入层经过各层神经元的加权求和与激活函数运算，逐层传递，最终在输出层得到预测结果的过程。它可以看作是一种函数复合x 为输入，L为网络层数，f(l) 表示第 l 层的非线性变换。深度神经网络通过多层结构和非线性映射实现了对复杂问题的强大建模能力，而前向传播是其中最基本、最核心的计算过程。它不仅是模型训练的起点，也是模型推理的关键步骤。随着计算能力和数据规模的提升，前向传播在更深层

特性全批量梯度下降 (BGD)随机梯度下降 (SGD)小批量梯度下降 (MBGD)数据量/次更新整个数据集 N1 个样本B 个样本 (1<B<N)更新频率/Epoch1 次N 次N/B 次梯度方差/噪声最低(真实梯度)最高(随机噪声)中等收敛路径平稳，单调下降剧烈震荡，最终在最小值附近徘徊平稳且快速，有轻微震荡收敛速度 (迭代次数)慢（迭代次数少，但单次耗时长）快（更新频繁）最快（平衡了效率和更新

先进行。

数据归一化是深度学习工作流中不可或缺的一环。其核心价值在于重塑特征空间，将不同尺度的特征投影到一个统一且有利于梯度下降优化的空间中。对于传统机器学习和浅层网络Min-Max 归一化和Z-Score 标准化是主要的预处理手段，其中 Z-Score 因其对异常值的鲁棒性更受青睐。对于深度神经网络批量归一化（BN）层归一化（LN）**等**内部归一化技术成为了标配，它们通过在网络内部实时调整数据分布，从

乘法器的工作原理可以用二进制乘法来说明。二进制乘法和十进制乘法类似，通过部分积的累加得到结果。

向量化和矩阵化是深度学习的性能基石充分利用 CPU 的 SIMD 指令集和 GPU 的大规模并行计算能力，将计算速度提升数十倍、数百倍甚至数千倍，使大规模模型的训练成为可能。将复杂的数学公式直接转化为简洁的代码，提升了代码的可读性、可维护性和去 Bug 效率。它们是所有现代深度学习框架（如 PyTorch/TensorFlow）的核心设计思想。掌握它们是理解和高效使用这些框架，乃至进行**模型部署

在梯度下降（Gradient Descent）或其变种优化器中，学习率控制模型参数 θ 的更新幅度：θ 为第 t 次迭代的参数；η 为学习率；∇θL(θt) 为损失函数关于参数的梯度。学习率越大：每次更新幅度大，训练快速但可能震荡或发散；学习率越小：每次更新幅度小，训练稳定但收敛慢。学习率是深度学习中最关键的超参数之一，决定训练速度和稳定性。常用策略：固定、衰减（阶梯、指数、余弦）、自适应、循环和

目标检测和迁移学习是现代AI，尤其是深度学习不可或缺的两大基石。目标检测通过一系列精妙的算法设计（从两阶段的精度优势到单阶段的速度优势），实现了机器对“看懂”世界的跨越。未来的趋势将是更轻量化、更高效、更通用的模型，例如结构（如DETR）的引入，正推动目标检测向更简洁的端到端范式发展。迁移学习则极大地提高了深度学习的实用性和可扩展性。通过复用知识，它有效解决了数据稀疏和高昂计算成本的问题，让深度学

梯度下降作为深度学习的核心优化算法，以其简单性和高效性成为模型训练的基石。从批量梯度下降到 Adam 等自适应优化器，梯度下降的变体和优化策略不断演进，显著提高了收敛速度和稳定性。然而，面对日益复杂的模型和任务，梯度下降仍需应对梯度消失/爆炸、计算效率和泛化能力等挑战。