卷积（Convolution）是一种数学运算，常用于信号处理和图像处理领域，也在深度学习中的卷积神经网络（CNN）中发挥着关键作用。简单来说，卷积是通过在两个函数之间滑动并在每个位置上计算它们的积分来生成一个新的函数。
在图像处理中，卷积通常用于图像的特征提取。
卷积神经网络通过模仿生物视觉系统的层次化感知机制，让机器具备了从像素中提取抽象特征、理解视觉世界的能力，成为计算机视觉领域的核心引擎。
深度学习是一种机器学习方法，其核心思想是构建深度神经网络，模拟人脑结构进行数据学习。
研究人员现在创造了一种全新的方法来制造神经网络，在某些方面超越了传统系统。
卷积核在图像上移动的步子，不同的步长会影响输出图的尺寸。
近期，一项突破性的科研成果将卷积神经网络的概念引入光学领域，为人工智能成像技术带来了革命性的进展。
本文将深入浅出积层变种，解析其在CNN中的应用，继而探索ResNet的原理与优化策略，如何解决过拟合，构建更健壮丽的深度模型。
语义分割小技巧：选择模型，训练模型，模型改进，理解。
本文将用 C++ 编写一个 CNN 和一个名为 mlpack 的库来对MNIST数据集进行分类。
我们将介绍图神经网络 (GNN)，将从图论和基本定义开始，然后介绍GNN的形式和原理，最后介绍GNN的一些应用。
对长尾数据集的tricks进行了分析和探索，并结合一种新的数据增强方法和两阶段的训练策略，取得了非常好的效果。