CNN实战篇：PyTorch图像处理与卷积神经网络

系统讲解图像表示、卷积、池化、归一化、数据增强、数据集加载、CNN 模型构建、迁移学习、训练技巧与可视化。

Mav

图像的像素表示、卷积的滑动窗口直觉、数学公式、常见卷积核、通道与特征图。

nn.Conv2d 详解、卷积参数（stride/padding/dilation/groups）、输出尺寸计算。

MaxPool2d、AvgPool2d、自适应池化、BatchNorm、Dropout、LayerNorm。

transforms 系列变换、数据增强策略、ImageFolder、自定义 Dataset、DataLoader。

LeNet、AlexNet、VGG、ResNet 实现，预训练模型、特征提取、微调与模型保存。

学习率调度、早停、混合精度、GradCAM 可视化、常见错误与速查表。