ResNet 论文地址 当时，难以训练更深的神经网络，为此作者提出了一个残差（residual）学习框架，用于简化网络的训练。最终取得了惊人的效果，和当时很多工作比，具有更少的参数和更深的网络，甚至能达到千层 退化现象 深度神经网络在图像分类上取得了一系列巨大突破（AlexNet、VGGNet），他们的成功还表明模型深度对效果的影响非常大，通过标准初始化、中间标准化层的方法解决了梯度爆炸/消...

GoogLeNet 论文地址

VGGNet 论文地址 作者成功构建出一个非常深的卷积神经网络，并得到了更低的错误率和更强的泛化能力 为了构建一个很深的神经网络，作者 使用了非常小的卷积核 参数随机初始化 数据增强，比如随机裁剪、多尺度训练（放缩） 多GPU并行训练，将图像切分放入GPU中求梯度，将所有GPU中的梯度做均值，作为最终梯度

AlexNet 论文地址 据说这是大模型的起源与标志 介绍 在图像识别领域，先前的工作使用的数据集都很小，尽管在某些任务中已经达到了人类水平，但是实际情况是非常复杂的，我们需要更大的训练集 为了能从海量的数据中学到东西，模型需要有一个巨大的学习能力。但是由于数据过于庞大，这个任务不能被人力明确定义。对于分类任务，只依靠训练数据是远远不够的，我们还需要有先验知识（prior knowledge...

微调大模型 使用Llama 注意，这个模型会自动在huggingface中下载，超过16G import transformersimport torchmodel_id = "meta-llama/Meta-Llama-3.1-8B-Instruct"pipeline = transformers.pipeline( "text-generation...