首先要掌握如何计算卷积

几乎深度学习的所有任务都是靠linear和卷积完成的

有标签数据：有x有y；无标签数据：只有x

回归任务和分类任务都是：取数据，做模型，训练流程；区别是后者输入不再是一个向量而是图片，输出不再是一个值而是一个类别

分类任务为了让类别等价不能让它用回归到1的这种方法，用One-hot(独热编码)来表示类别

图片分类任务：得到一张图片，得到类别的任务

回归任务是把预测值和真实值用mae和mse求loss，分类任务是用交叉熵损失求loss

1.特征图有多深，卷积核就有多深

2.一个卷积层是什么：原始的特征图经过多个卷积核卷积出来的新的特征图

3.卷积核大小为2表示2*2

4.卷积神经网络中两种降低采样的方法：扩大步长（会丢失信息，且引入计算），池化（依靠Pooling，包括最大池化和平均池化，一般用最大池化）

5.一般将softmax的输出视作模型预测的概率分布

6.我们需要给LOSS函数的参数：预测的分布， 真实值的下标

7.层数也就是厚度，channel

3种经典的神经网络模型Alexnet、VGG、ResNet模型

首先在anaconda中安装两个包：cv2和timm这两个包（ cv2 实际上是 OpenCV 库的一部分）

cv2 是 OpenCV 的 Python 接口，主要用于图像和视频的处理与分析。它是计算机视觉中最基础、最广泛使用的库之一。

timm 是一个基于 PyTorch 的开源库，提供了大量预训练的图像模型和工具，极大简化了深度学习模型的使用和研究。