柠柠酱

ImageNet数据集为ResNet提供了‘视觉通识课’，通过迁移学习，我们可以轻松利用这些通用特征进行特定任务的微调。

本文将手把手教你用PyTorch实现ResNet-18，拆解其背后的原理，让你不仅能用ResNet，还能从容应对面试中的相关问题。

Batch Normalization (BN层) 在深度学习中的地位堪比牛顿的《自然哲学的数学原理》，它如何通过归一化每层数据，让几十层网络训练如丝般顺滑？

PyTorch的在线增强机制颠覆了传统的数据增强方式，让模型在每个Epoch都能看到不同的图片，真正实现‘强身健体’。

维度暴增、背景混乱、类间相似性拉满——CIFAR-10的挑战远超MNIST，但掌握正确的调参心法，新手也能轻松达到74%以上的准确率。

卷积层和池化层是 CNN 的两大法宝，前者负责特征提取，后者负责降维不减效，二者结合大大提升了模型的效率和准确性。

【深度学习Day3】实战首秀：PyTorch 搭建 MLP 网络与 MNIST 实战及面试指南 训练核心逻辑永远是这五步：定义损失函数和优化器、训练函数、测试函数、开始训练、保存模型。

作为深耕 MATLAB 多年的‘老鸟’，切入 PyTorch 后我发现：最难的不是神经网络原理，而是矩阵操作习惯的‘水土不服’！