v16 内容的当前去向

110个原主讲路由逐一保留去向。跨讲与参考内容不再进入第二讲默认播放；原始状态、教师稿与证据保留为带版本的归档。

v16页	内容	操作	当前位置	原内容
1	Learning to See：视觉表示如何学会？ `from-local-operations`	retained	Lecture 02	原状态归档
2	同为自行车，为什么像素可以差别这么大？ `same-category-different-pixels`	retained	Lecture 02	原状态归档
3	同类竖线平移一格，像素距离却比异类横线更远 `pixel-distance-counterexample`	reference	Lecture 02 支撑材料	原状态归档
4	给每个类别一套权重，就得到可调整的评分规则 `linear-algebraic-view`	retained	Lecture 02	原状态归档
5	恰好亮一盏：为什么一条直线分不开？ `linear-two-lamps-xor`	reference	Lecture 02 支撑材料	原状态归档
6	只堆线性层还不够：让负响应归零会怎样？ `why-nonlinearity`	retained	Lecture 02	原状态归档
7	两个ReLU，给刚才的两灯任务一个可核对的解 `relu-solves-two-lamps`	reference	Lecture 02 支撑材料	原状态归档
8	换一组坐标，同一任务变得线性可分 `hidden-coordinates-two-lamps`	reference	Lecture 02 支撑材料	原状态归档
9	分数2、1、0，怎样变成一组类别概率？ `softmax-relative-scores`	reference	Lecture 02 支撑材料	原状态归档
10	都预测成狗，为什么给猫20%与1%需要不同的损失？ `confident-error-loss-comparison`	retained	Lecture 02	原状态归档
11	固定当前位置，导数告诉我们参数往哪边改 `gradient-local-direction`	reference	Lecture 02 支撑材料	原状态归档
12	输出的反馈，怎样变成权重的反馈？ `backprop-chain-rule`	reference	Lecture 02 支撑材料	原状态归档
13	先对当前计算求导，再统一更新参数 `backprop-versus-optimization`	reference	Lecture 02 支撑材料	原状态归档
14	看完12个样本，参数已经更新了4次 `minibatch-one-epoch-four-updates`	reference	Lecture 02 支撑材料	原状态归档
15	训练改参数，验证选方案，测试做最终评价 `data-roles-before-curves`	retained	Lecture 02	原状态归档
16	训练用来改参数，验证与测试检验不同问题 `training-and-generalization`	retained	Lecture 02	原状态归档
17	1989—2011：监督卷积与其他视觉路线并行探索 `convolution-before-imagenet`	retained	Lecture 02	原状态归档
18	可以写出更深网络，不代表它容易训练 `deep-network-training-difficulty`	retained	Lecture 02	原状态归档
19	2006：无类别标签的逐层学习，怎样建立训练起点？ `rbm-dbn-pretraining`	reference	历史参考	原状态归档
20	在端到端规模化之前，表示的哪些部分已经能学？ `feature-pipeline-before-classifier`	reference	历史参考	原状态归档
21	相机图里，SIFT把哪些局部选作比较起点？ `sift-scale-and-orientation`	reference	历史参考	原状态归档
22	打开一个局部，看SIFT怎样记录方向与粗位置 `sift-local-descriptor`	reference	历史参考	原状态归档
23	HOG：固定窗口里的方向统计，保留规则网格 `hog-local-shape`	reference	历史参考	原状态归档
24	600个局部描述，最后落进这6个计数 `visual-codebook-six-patches`	reference	历史参考	原状态归档
25	共同词典不需要类名，分类读出仍可以用标签 `codebook-training-versus-assignment`	reference	历史参考	原状态归档
26	表示交给分类器之后，边界怎样学出来？ `svm-on-designed-features`	reference	历史参考	原状态归档
27	沿着总图，解释训练与新图预测 `traditional-pipeline-recap`	reference	历史参考	原状态归档
28	词典和读出都能学，分类错误能否到达前端？ `learn-the-local-features`	retained	Lecture 02	原状态归档
29	2012：哪些条件让端到端学习真正扩大？ `alexnet-system`	retained	Lecture 02	原状态归档
30	2012年的结果显示了路线转折，也要保留比较口径 `alexnet-2012-evidence`	retained	Lecture 02	原状态归档
31	先看我们要拆开的这台小CNN `tiny-cnn-preview`	retained	Lecture 02	原状态归档
32	每次读附近，不同位置共用权重 `locality-and-sharing`	retained	Lecture 02	原状态归档
33	人规定连接方式，训练调整具体测量 `convolution-priors-and-learning`	retained	Lecture 02	原状态归档
34	四个乘积相加，产生一个输出 `convolution-four-products`	retained	Lecture 02	原状态归档
35	移动的是窗口，共用的仍是同一个核 `convolution-slide-the-kernel`	retained	Lecture 02	原状态归档
36	一个filter读取全部输入通道 `one-filter-all-channels`	retained	Lecture 02	原状态归档
37	多套filter，保留多种局部响应 `filter-axis-channel-axis`	retained	Lecture 02	原状态归档
38	两个窗口的贡献，汇总到同一对核权重 `shared-kernel-two-window-gradients`	reference	Lecture 02 支撑材料	原状态归档
39	只有类别标签，局部窗口怎样收到反馈？ `shared-feedback-from-class-loss`	retained	Lecture 02	原状态归档
40	重复同一学习循环，核逐步形成目标响应 `learn-a-kernel`	reference	Lecture 02 支撑材料	原状态归档
41	输出尺寸，可以用合法窗口起点数出来 `sampling-geometry`	retained	Lecture 02	原状态归档
42	步长2，只计算每隔一格的窗口 `stride-changes-sampling`	retained	Lecture 02	原状态归档
43	层叠后，一个局部响应能联系更远的输入 `receptive-field-grows`	retained	Lecture 02	原状态归档
44	池化保留一种统计，舍弃部分细节 `pooling-trades-detail`	retained	Lecture 02	原状态归档
45	真实特征图里，仍能看见响应在哪里 `features-are-learned-responses`	retained	Lecture 02	原状态归档
46	同一个通道，面对不同数字会在哪里响应？ `observing-learned-hierarchy`	reference	Lecture 02 支撑材料	原状态归档
47	沿同一台小CNN，核对三个关键接口 `tiny-cnn-shape-ledger`	retained	Lecture 02	原状态归档
48	响应跟着移动，不等于类别分数保持不变 `equivariance-is-not-invariance`	retained	Lecture 02	原状态归档
49	只移一格，同一条纹会被采成另一组数 `stride-sampling-phase`	reference	Lecture 02 支撑材料	原状态归档
50	同一模型加上增强，哪些结果改变了？ `cnn-shift-evidence`	retained	Lecture 02	原状态归档
51	回到同一台CNN，解释预测与学习 `tiny-cnn-shapes`	reference	Lecture 02 支撑材料	原状态归档
52	更深的普通网络，为什么连训练误差也更高？ `resnet-degradation`	retained	Lecture 02	原状态归档
53	存在一个好解，不等于训练过程容易找到它 `depth-can-preserve-a-solution`	retained	Lecture 02	原状态归档
54	先保留已有表示，再学习需要改变的部分 `residual-preserve-and-correct`	retained	Lecture 02	原状态归档
55	残差相加以后，反馈也有一条直接路径 `residual-two-gradient-paths`	reference	Lecture 02 支撑材料	原状态归档
56	连接改了，怎样检验它是否有用？ `residual-easier-to-optimize`	retained	Lecture 02	原状态归档
57	ResNet之后：相加与拼接怎样保留旧特征？ `frontier-dense-feature-reuse`	retained	Lecture 02	原状态归档
58	遮住自行车后分数变化，还要和什么比较？ `occlusion-needs-a-control`	reference	Lecture 02 支撑材料	原状态归档
59	换任务、设备与环境：已有表示经得起哪些检验？ `reuse-a-representation`	cross-lecture	Lecture 03	原状态归档
60	换一个任务以后，先决定让哪些参数继续学习 `transfer-three-training-choices`	cross-lecture	Lecture 03	原状态归档
61	表示能复用，为什么还需要更多数据？ `frontier-pretraining-data-transfer`	cross-lecture	Lecture 03	原状态归档
62	更多图片，等于更多有效信息吗？ `frontier-effective-data-information`	cross-lecture	Lecture 03	原状态归档
63	两个数据集都说“狗”，是同一个标签吗？ `frontier-label-space-alignment`	cross-lecture	Lecture 03	原状态归档
64	能识别，为什么还不好用？ `frontier-end-to-end-latency`	retained	Lecture 02	原状态归档
65	空间混合与通道混合，必须同时完成吗？ `frontier-depthwise-convolution-cost`	retained	Lecture 02	原状态归档
66	压缩与非线性怎样丢失信息？ `frontier-linear-bottleneck`	retained	Lecture 02	原状态归档
67	少算乘法，为什么还可能更慢？ `frontier-flops-versus-latency`	retained	Lecture 02	原状态归档
68	模块已有了，为什么还靠手选结构？ `frontier-nas-inner-outer-loops`	retained	Lecture 02	原状态归档
69	NAS 自动化了什么，又留下了什么？ `frontier-nas-human-choices`	retained	Lecture 02	原状态归档
70	多一份预算，花在深、宽还是分辨率？ `frontier-compound-scaling-budget`	retained	Lecture 02	原状态归档
71	每换一部设备，都要重新训练吗？ `frontier-once-for-all-deployment`	retained	Lecture 02	原状态归档
72	2019前后的新问题：同一物体换条件，答案还可靠吗？ `frontier-recognition-under-shift`	reference	可靠性与适应参考	原状态归档
73	固定类名之外，图像怎样提供学习信号？ `frontier-contrastive-positive-pairs`	cross-lecture	Lecture 03	原状态归档
74	你要求不变的东西，会不会正是答案？ `frontier-augmentation-assumptions`	cross-lecture	Lecture 03	原状态归档
75	图像patch怎样成为可交流的token？ `frontier-patches-to-tokens`	withheld	Lecture 05 暂存	原状态归档
76	一个图块怎样按内容取回信息？ `frontier-attention-worked-example`	withheld	Lecture 05 暂存	原状态归档
77	少一些视觉先验，拿什么补回来？ `frontier-vit-pretraining-conditions`	withheld	Lecture 05 暂存	原状态归档
78	多大模型配多少数据？ `frontier-data-model-compute`	cross-lecture	Lecture 03	原状态归档
79	图像自身还能提供怎样的学习问题？ `frontier-masked-image-learning`	cross-lecture	Lecture 03	原状态归档
80	没有负样本，两个视图怎样互相学习？ `frontier-self-distillation-collapse`	cross-lecture	Lecture 03	原状态归档
81	从自蒸馏到可冻结复用的视觉特征 `frontier-dinov2-frozen-features`	cross-lecture	Lecture 03	原状态归档
82	全局分数变好，局部表示也会变好吗？ `frontier-dinov3-local-global`	cross-lecture	Lecture 03	原状态归档
83	自然语言改变了分类器的哪一部分？ `frontier-image-text-alignment`	cross-lecture	Lecture 03	原状态归档
84	不训练新 head，怎样定义新类别？ `frontier-text-defined-classes`	cross-lecture	Lecture 03	原状态归档
85	几种学习信号必须选边站吗？ `frontier-siglip2-combined-signals`	cross-lecture	Lecture 03	原状态归档
86	不同学习信号，怎样进入同一个评价接口？ `frontier-representation-readouts`	cross-lecture	Lecture 03	原状态归档
87	怎样读出一次进步来自哪里？ `frontier-five-research-variables`	retained	Lecture 02	原状态归档
88	先别宣布卷积过时：把条件补齐。 `frontier-convnext-recipe-control`	retained	Lecture 02	原状态归档
89	好结构与好目标，相加就更好吗？ `frontier-convnext-objective-interaction`	split	Lecture 03	原状态归档
90	相同准确率，还不能回答真实使用问题 `frontier-accuracy-and-behavior`	reference	可靠性与适应参考	原状态归档
91	简单图和困难图，要算一样久吗？ `frontier-adaptive-early-exits`	retained	Lecture 02	原状态归档
92	dynamic 到底动态在哪里？ `frontier-what-makes-networks-dynamic`	retained	Lecture 02	原状态归档
93	每个 token 都需要算到最后吗？ `frontier-dynamicvit-token-selection`	withheld	Lecture 05 暂存	原状态归档
94	少算一定意味着丢掉信息吗？ `frontier-nested-token-compute`	withheld	Lecture 05 暂存	原状态归档
95	为什么 MobileNet 还在研究模块？ `frontier-mobilenetv4-hardware-codesign`	split	Lecture 02	原状态归档
96	省下来的计算到达用户了吗？ `frontier-routing-scheduling-cost`	retained	Lecture 02	原状态归档
97	同样改一张图，是同一种鲁棒性吗？ `frontier-robustness-problem-types`	reference	可靠性与适应参考	原状态归档
98	它究竟依赖什么视觉证据？ `frontier-shape-texture-evidence`	reference	可靠性与适应参考	原状态归档
99	换测试集，本身能成为研究贡献吗？ `frontier-evaluation-as-research`	reference	可靠性与适应参考	原状态归档
100	明确威胁集合以后，怎样在训练时回应？ `frontier-robust-optimization`	reference	可靠性与适应参考	原状态归档
101	为什么推理时一定要冻结？ `frontier-test-time-adaptation-protocol`	split	可靠性与适应参考	原状态归档
102	没有答案，怎样得到更新信号？ `frontier-tent-update-step`	reference	可靠性与适应参考	原状态归档
103	越自信，也可能越错。 `frontier-entropy-wrong-confidence`	reference	可靠性与适应参考	原状态归档
104	数据流会积累什么？ `frontier-continual-adaptation-streams`	reference	可靠性与适应参考	原状态归档
105	到 2026，何时该相信更新信号？ `frontier-adaptation-open-questions-2026`	reference	可靠性与适应参考	原状态归档
106	固定、少算、适应、拒识，怎样选？ `frontier-fixed-dynamic-adapt-reject`	retained	Lecture 02	原状态归档
107	把好问题写成可证伪实验。 `frontier-falsifiable-research-design`	retained	Lecture 02	原状态归档
108	下一步值得做什么？ `frontier-student-research-card`	retained	Lecture 02	原状态归档
109	当答案需要位置，表示必须保留哪些新信息？ `beyond-one-label`	cross-lecture	Lecture 03	原状态归档
110	Learning to See：把一个解释变成可检验的问题 `next-time-locate-and-segment`	retained	Lecture 02	原状态归档