使用 vLLM 部署 Qwen3-235B-A22B 大语言模型，记录 Docker 启动参数、服务日志和推理配置。
图网络开放数据集
完成图相关的任务，各种测试GNN性能的数据集。
TeX Live 2021 从卸载到安装指南（WIN10）
WIN10下TeX Live 2021 的下载安装和TeXstudio安装。
MATLAB 学习过程常用命令记录 (绘图)
MATLAB中一些基本图像的绘制。
MATLAB 学习过程常用命令记录 (函数)
MATLAB中一些基本函数的用法。
Git 教程
关于Git的简介、版本控制、远程仓库、创建分支、标签等用法介绍。
【图像分类—ResNet V1】Deep Residual Learning for Image Recognition
论文解决的主要问题是深层的神经网络很难训练；提出了一种残差学习框架来减轻网络训练。
【图像分类—GoogLeNet Inception V3】Rethinking the Inception Architecture for Computer Vision
分析了Inception优化的一些历史情况；提出了设计Inception的四个原则；提出分解卷积核的方式；辅助分类器的作用；提出缩小feature的结构。
【图像分类—GoogLeNet Inception V2】Batch Normalization
BN的提出是为了克服深度神经网络难以训练的弊病，减轻了对参数初始化的依赖；训练更快，可以使用更高的学习率；BN一定程度上增加了泛化能力，dropout等技术可以去掉。
【图像分类—NIN】Network in Network
文章提出在每个局部感受野中进行更加复杂的运算，提出了对卷积层的改进算法：MLP卷积层。传统的卷积神经网络一般来说是由：线性卷积层、池化层、全连接层堆叠起来的网络，卷积层通过线性滤波器进行线性卷积运算，然后在接个非线性激活函数，最终生成特征图。
【图像分类—GoogLeNet Inception V1】Going Deeper With Convolutions
Google Inception Net 首次出现在 ILSVRC 2014的比赛中（和VGGNet 同年），就以较大优势取得了第一名。它最大的特点就是控制了计算量和参数量的同时，获得了非常好的分类性能——top-5 错误率 6.67%。Inception V1 有22 层深，比 AlexNet的8层或者 VGGNet的19层还要更深。但其大小却比AlexNet和VGG小很多，计算量只有 15亿次浮点运算，同时只有500万的参数量，仅为 AlexNet 参数量（6000万）的 1/12。
【语义分割—FCN】Fully Convolutional Networks for Semantic Segmentation
与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全连接层＋softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测, 同时保留了原始输入图像中的空间信息, 最后在上采样的特征图上进行逐像素分类。