2025
12 ENTRIES深度网络：多层感知机与混合密度网络
从固定基函数的表达限制出发，解释非线性激活与万能近似定理，搭建多层感知机，并由回归、多分类损失延伸到迁移学习和混合密度网络。
深度网络：残差连接与 ResNet
从深层网络的退化问题出发，推导残差学习与恒等捷径，解释 BasicBlock、Bottleneck 和 ResNet 的分层结构，并给出 PyTorch 教学实现。
泛化理论：归纳偏置与正则化机制
从有限样本对应的逆问题出发，解释归纳偏置、等变性与无免费午餐定理，并用权重衰减、早停、参数共享、残差连接、Dropout 和双重下降说明模型如何选择训练集之外的解。
深度网络：反向传播与自动微分
从链式法则出发推导反向传播，手写一个标量自动微分引擎并在双月牙数据上训练，再对照 PyTorch autograd 说明梯度是怎么被自动算出来的。
Nx2FA：基于 TOTP 和 MD3 的浏览器扩展
从零开始开发一款基于 TOTP 和 Material Design 3 的浏览器扩展的动机、选型与实现。
深度网络：梯度下降与优化器
从一次参数更新出发，解释随机梯度下降、动量、自适应学习率、Adam 的偏差修正与 AdamW 的解耦权重衰减。
线性网络：分类网络与判别函数
从仿射判别函数和贝叶斯风险出发，推导高斯生成式分类器、逻辑回归与 Softmax 分类器，说明两类学习方法为何都能得到线性决策边界。
从 CI 到 CD：一次 Spring Boot 项目简单自动化工作流实践
记录一个 Spring Boot 3 (Kotlin) 项目的自动化流程配置实践，从持续集成 (CI) 到持续交付 (CD) 的完整实现。
线性网络：回归网络与似然估计
从固定基函数与高斯似然出发，推导最小二乘的投影几何，说明平方损失下的最优回归决策，并拆解预测误差中的偏差、方差与噪声。
统计学习：结构化分布与序列模型
从概率图模型的分解出发，解释条件独立、d 分离、朴素贝叶斯与马尔可夫毯，再用马尔可夫链和隐马尔可夫模型说明序列依赖、潜变量与动态规划推断。
[课设]基于 YOLO11 和小波变换的轻量化植物幼苗分类模型构建
基于改进的YOLO11m-cls架构，融合StripBlock和CGLU模块的轻量化植物幼苗图像分类模型。
统计学习：标准分布与信息论
从离散、连续与周期变量的常用分布出发，串起矩、贝叶斯推断、极大似然、充分统计量、指数族、熵与 KL 散度，并说明它们如何进入决策树和 Fisher 判别。
