- 了解CNN中所说的卷积与数学中卷积的差异，以及产生这个差异的原因
- 能够理解卷积运算的具体原理和过程，能通过输入特征图(feature map)的尺寸，padding和strides正确计算出输出调整图的尺寸
- 了解池化(Pooling)层的作用与原理，了解常见的不同池化层的区别(如最大池化和平均池化)
- 了解CNN中通常组合卷积层、池化层和激活层的方式
- 了解一下LeNet、AlexNet、GoogleNet、Vgg、Resnet、Densenet、Inception等经典的CNN模型的结构，以及他们各自的创新之处，从而了解一下卷积神经网络发展的历史
- 上面提到的模型中VGG和Resnet请重点掌握，这会是你们以后比较常用作骨架网络(backbone)的模型
- 对上面提到的模型，在了解了原理和结构的基础上，上网找一找各自的Pytorch代码实现，从理论迈向实践，可以学一个找一个，前几天我发的李沐老师的那个教程里就有大部分这里提及的模型的代码，最好能自己运行一下这些代码，体验一下模型训练是一个怎样的过程