01 解释不应离开数据分布：可解释 AI 与流形学习的交汇
从 off-manifold 扰动、流形 Shapley 到测地线归因，理解可解释 AI 为什么必须同时考虑模型响应、数据分布与可行动路径。
02 深度网络：卷积神经网络
从互相关、卷积核、步幅、填充、通道与感受野出发，逐层推导卷积神经网络，并用 PyTorch 完整实现和训练 LeNet-5。
03 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。
04 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。
05 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。
06 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。
07 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。
08 [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。
Topic / 08
深度学习
该主题下共 8 篇札记。