整合物联网课程重点，记录相关概念与实践过程。
深入探索CNN架构设计的演进历程，从手工设计到网络架构搜索(NAS)，理解RegNet的设计空间优化方法
探索DenseNet的稠密连接机制与特征复用策略，对比传统CNN架构的参数效率与内存使用特点
探索残差连接的革命性突破，深入理解ResNet如何解决深度网络训练难题
探索GoogLeNet的Inception架构创新，学习多尺度并行卷积的设计理念
探索批量归一化在经典LeNet网络中的应用效果，对比自定义实现与PyTorch高级API的性能差异
探索Network In Network架构的创新设计，理解1×1卷积和全局平均池化的重要作用
探索VGG网络的模块化设计理念，理解块结构在深度网络中的重要作用和实现方法
探索深度学习史上的里程碑网络AlexNet，理解其创新的网络架构设计和关键技术突破
探索首个成功的卷积神经网络LeNet，了解其历史地位和网络架构设计，掌握早期CNN的实现原理
理解池化层的工作原理和作用，掌握最大池化和平均池化的实现方法，探索池化操作在CNN中的重要意义
深入理解多通道卷积操作原理，掌握多输入多输出卷积层的实现方法和1×1卷积的应用技巧
深入理解卷积神经网络中填充和步幅的作用机制，掌握控制特征图尺寸的关键技巧
深入理解图像卷积的数学原理和PyTorch实现，掌握卷积层的核心概念和应用技巧
深入理解稠密连接网络中的稠密块结构，掌握DenseNet的核心设计思想和实现方法
深入理解残差连接的设计原理，掌握ResNet和ResNeXt中残差块和分组残差块的实现方法
本文讲述从全连接层到卷积层的演进过程，掌握卷积神经网络的数学原理和设计思想
掌握PyTorch中模型参数的保存与加载技术，学习训练过程中的检查点管理
本节将展示如何构建自定义层
深入理解深度学习中层和块的概念，掌握PyTorch中自定义模块的实现方法
本节讲述延后初始化技术，掌握在输入维度未知情况下的动态参数推断方法
本节讲述PyTorch中的参数管理机制，掌握参数访问、初始化和共享的实用技巧
掌握Claude Code的进阶使用技巧，从基础命令到高级功能，提升AI编程效率
了解权重衰减（L2正则化）的数学原理，掌握正则化技术在防止过拟合中的应用
理解过拟合现象，掌握验证集、交叉验证等模型选择方法，通过多项式拟合实验探索欠拟合与过拟合
记录一次Wsl ubuntu清理内存占用的过程
深入理解线性代数的基本概念，包括标量、向量、矩阵和张量的定义、性质及PyTorch实现
