Chapter 1
PyTorch 入门与感知机实验手记
梳理张量操作、梯度下降与螺旋分类实验，记录感知机的动手直觉。
返回专栏目录
I. Core Foundations｜专业基石
Deep Learning Essentials
深度学习基础
深度学习是我理解“机器如何模仿人类思考”的旅程。沿着数学直觉与工程实践，
逐步构建从基础网络到现代架构的知识骨架，记录实验、直觉与开放问题。
逐步构建从基础网络到现代架构的知识骨架，记录实验、直觉与开放问题。
专栏章节导航
点击卡片即可打开对应博文，随时回到专栏页浏览更多章节。
Chapter 2
卷积神经网络实验：从 MNIST 到 CIFAR-10
对比 FNN 与 CNN 的效果，并复盘 LeNet、VGG16 在两个数据集上的训练表现。
Chapter 3
轻量级网络实验：MobileNet、ShuffleNet 与 HybridSN
对比多种轻量级骨干在分类任务中的表现，整理参数量与精度的取舍。
Chapter 4
Vision Transformer 实训：CIFAR-10 与 Swin 分析
记录 ViT 训练流程、配置要点与与 Swin Transformer 的差异观察。
Chapter 5
MobileNet 体系解析：轻量级 CNN 学习笔记
汇总 MobileNet V1-V3 的主干设计、深度可分卷积与适用场景。
Chapter 6
MobileNet 架构拆解与倒残差设计
重点讲解 inverted residual、瓶颈结构与 SE/注意力的组合策略。
Chapter 7
ShuffleNet 结构笔记：通道混洗与高效推理
拆解深度可分 + 通道混洗的推理流程，并总结分组卷积的限制。
Chapter 8
SE Block 理解：通道注意力与重标定
用图示解释 squeeze-excitation 的数学流程与常见变体。
Chapter 9
Multi-Head Self-Attention 直观解析
以张量形状和矩阵推导说明缩放点积与多头拆分的计算步骤。
Chapter 10
Vision Transformer 理论速记：Patch 到分类头
从 Patch Embedding 到分类头串联 ViT 的关键组件与设计理由。
Chapter 11
Swin Transformer 核心思路与层次化设计
聚焦 shifted window、自注意力复杂度与多尺度输出的组合方式。
Chapter 12
深度学习基础概念：卷积层直观解释
通过公式与示意图复习卷积核、感受野与参数计算的入门概念。