CS231n(拾陆)——视觉与语言
CS231n课程第十六讲笔记，从"一任务一模型"到基础模型范式，深入 CLIP 的对比预训练、提示工程与零样本分类及其局限，梳理 LLaVA、Flamingo、Qwen3-VL、Molmo 等视觉-语言模型，以及 CuPL、VisProg 等链式组合方法与 Omni 模型。
CS231n(拾伍)——3D视觉
CS231n课程第十五讲笔记，围绕 3D 形状的五种表示展开：深度图与单目深度/法线预测、体素网格与八叉树、点云与 PointNet/Chamfer 距离、三角网格与 Pixel2Mesh/Mesh R-CNN，以及隐式表面 DeepSDF、NeRF 与 3D 高斯泼溅，并整理现代 3D 应用与核心损失技巧。
CS231n(拾肆)——生成模型(下)
CS231n课程第十四讲笔记（生成模型下篇），讲解 GAN 的极小极大博弈、最优解分析与 DC-GAN/StyleGAN，并系统整理扩散模型：以 Rectified Flow 为重点的训练与采样、Classifier-Free Guidance、噪声调度、Latent Diffusion、DiT 与文生图/文生视频流水线、扩散蒸馏，以及潜变量/评分函数/SDE 三种视角。
CS231n(拾叁)——生成模型
CS231n课程第十三讲笔记（生成模型上篇），先回顾自监督学习与对比学习（SimCLR、MoCo、DINO），梳理监督/无监督与生成/判别模型的区别，给出生成模型分类学；随后深入自回归模型的最大似然与链式法则、PixelRNN/PixelCNN，并完整推导 VAE 的 ELBO、训练五步法与重参数化技巧。
CS231n(玖)——检测分割与可视化
CS231n课程第九讲笔记，涵盖 Vision Transformer 与 Transformer 的现代改进（Pre-Norm、RMSNorm、SwiGLU、MoE），以及语义分割、目标检测、实例分割的完整方法演进（滑动窗口→FCN→U-Net，R-CNN→Faster R-CNN→YOLO→DETR，Mask R-CNN），最后整理显著性图、CAM 与 Grad-CAM 等可视化与可解释性方法。
CS231n(捌)——注意力与Transformer
CS231n课程第八讲笔记，从 RNN Encoder-Decoder 的信息瓶颈出发引入 Attention，形式化标量点积与向量化注意力，讲解 Q/K/V、Self-Attention、位置编码与多头注意力，分析 $O(N^2)$ 复杂度与 Flash Attention，并给出 Transformer Block 的完整结构与三种序列处理方式的对比。
CS231n(柒)——循环神经网络
CS231n课程第七讲笔记，从固定尺寸输入的前馈网络过渡到序列建模：讲解 RNN 的隐藏状态与参数共享、多种输入输出模式、通过时间的反向传播（BPTT）与梯度爆炸/消失，并深入 LSTM 的四门结构与细胞状态梯度流，最后梳理图像描述等应用与状态空间模型等现代发展。
CS231n(陆)——CNN训练与架构
CS231n课程第六讲笔记，分为"如何构建 CNN"与"如何训练 CNN"两部分：涵盖归一化层、Dropout、激活函数、VGG/ResNet 等经典架构与残差连接、Kaiming 初始化，以及数据预处理、数据增强、迁移学习与超参数搜索的完整实践流程。
CS231n(伍)——卷积神经网络
CS231n课程第五讲笔记，从线性分类器与全连接层的局限出发，系统讲解卷积神经网络：卷积运算与权重共享、空间维度计算公式、Padding 与 Stride、感受野、池化层下采样以及平移等变性，并给出典型 CNN 架构与常用超参数配置。
CS231n(肆)——神经网络与反向传播
CS231n课程第四讲笔记，从线性分类器过渡到全连接神经网络，深入讲解反向传播算法的计算图、链式法则与梯度流模式，涵盖常用激活函数对比及向量/矩阵级别的梯度计算。